Leggere il testo da un'immagine o da un file PDF tramite OCR con Google Apps Script

Con Google Apps Script è possibile estrarre il testo da un'immagine (JPG, PNG, GIF) o da un file PDF per salvarlo all'interno di un nuovo documento (Google Docs) in Google Drive.

Inutile spiegare gli enormi vantaggi di questa opportunità, basti pensare a quanti documenti scansionati abbiamo, o cartacei da scansionare per portare in formato digitale, e quanti di essi sono immagini statiche dove il testo non è selezionabile.
Con poche righe di codice in Apps Script abbiamo la possibilità di estrarre il testo in essi contenuto per poterlo utilizzare e rielaborare a proprio piacimento.

Lo script mostrato di seguito si avvale delle API di Google Drive (maggiori dettagli nella documentazione ufficiale, REST v2), in particolare quella per sfruttarne le potenzialità del relativo motore OCR (riconoscimento ottico dei caratteri), al fine di estrarre il testo contenuto all'interno di un'immagine in formato JPG che risiede sul web (la funzione accetta in ingresso un parametro definito dall'url del file che si intende processare) ed inserirlo in un Google Docs pronto per essere utilizzato:

function extractTextFromImageOrPDF(url) {
  
  // Accede alla risorsa web indicata e ne recupera i dati
  var blob = UrlFetchApp.fetch(url).getBlob();
  
  // Recupera i dettagli del file: il suo nome ed il tipo
  var resource = {
    title: blob.getName(),
    mimeType: blob.getContentType()
  };
  
  // Crea un file su Drive con le informazioni passate e parametri per abilitare l'ocr e relativa lingua
  // Per attivare questa funzionalità è necessario abilitare l'Advanced Drive API Service
  var file = Drive.Files.insert(resource, blob, {ocr: true, ocrLanguage: "it"});
  
  // Recupera l'istanza del doc appena creato
  var doc = DocumentApp.openById(file.id);
  
  // Recupera il testo, interpretato dall'OCR, dal doc
  var text = doc.getBody().getText();
  
  return text;
}

function main() {
  
  // Inserisci l'url dell'immagine o del pdf dal quale vuoi estrarre il testo
  var url = 'http://media.bigbossweb.com/corporates/.../dante_inferno_lettura_ocr_con_gas.jpg';

  // Richiama la funziona per il riconoscimento ottico dei caratteri (OCR)
  var text = extractTextFromImageOrPDF(url);
  
  // Il testo è visualizzabile nel log, oltre che su Drive nel file appena creato
  Logger.log(text);
}

L'utilizzo dello script di cui sopra è molto semplice, basterà sostituire l'url del file con quello di interesse (il file può risiedere anche su Drive), modificare il parametro ocrLanguage in base alla lingua del documento ed avviare la funzione main().
Nota che, utilizzando le API di Drive è necessario abilitare l'uso delle API dei Servizi Avanzati di Google nel progetto in questione (nel caso dello script oggetto del presente tutorial l'abilitazione deve essere effettuata per le Drive API).

Di seguito trovate un esempio del risultato per mostrare le potenzialità dello script appena proposto.

L'immagine utilizzata, presente in rete, è la seguente, Fig. 1:

Fig. 1 - Immagine utilizzata come esempio per il recupero del testo tramite OCR con Apps Script

Eseguendo lo script dall'editor di Apps Script ed aprendo la finestra di log dal menu 'Visualizza -> Log' è subito possibile notare come il testo presente all'interno dell'immagine sia stato riconosciuto ed estratto, Fig. 2:

Fig. 2 - Log di Apps Script dove viene mostrato il testo estratto dall'immagine tramite l'API per OCR di Drive

Lo stesso contenuto è stato inserito in un Google Docs, presente su Drive con lo stesso nome del file originale, pronto per essere utilizzato, Fig. 3:

Fig. 3 - Documento Google dove viene mostrato il testo estratto dall'immagine con Apps Script tramite l'API per OCR di Drive

Ci sono alcuni suggerimenti da tenere in considerazione al fine di ottenere un risultato ottimale, come ad esempio la dimensione del font che non deve essere inferiore ai 10px, la dimensione del file che non deve superare i 2MB oppure l'orientamento del documento da prevedere prima della sua elaborazione. Per la lista completa dei suggerimenti rimando alla pagina ufficiale di supporto della guida di Google Drive relativa alla conversione di pdf e file fotografici in testo.