EvernoteのOCRについて
EvernoteのOCRについて
画像ファイル
Evernoteのノートに含まれるリソースで、MIME TypeがJPG,GIF,PNGであるものが対象。それらが見つかると、OCR用のQueueに送られる。
ENEXでの表現
OCR結果はrecoIndexタグで記載される。 子要素のitemタグで認識結果を表記。tタグで認識結果を重み（=ｗ要素）付きで表現。実際には、このtタグを検索していることになる。
<recoIndex docType="unknown" objType="image" objID="a25e6a5032ad1591b1f92171ef344be4" engineVersion="5.5.22.7" recoType="service" lang="en" objWidth="331" objHeight="528">
<item x="99" y="215" w="111" h="35">
<t w="44">a. ONG</t>
<t w="37">a. long</t>
<t w="36">a. ONo</t>
</item>
</recoIndex>
PDFがOCRにかけられると、認識結果のテキストが付与された2番目のPDFが作られる。これは、検索用であって、ユーザには見えない（加えて、このファイルはユーザの月度Upload容量には含まれない）。
PDFファイルがOCRにかけられる条件は次の２つ。
- Bitmapイメージが含まれていること
- 選択可能なテキストが含まれていないこと
基本的に、スキャナーでスキャンされ、他のシステムでOCRがかかっていないものが対象と思って間違いない。
<created>20131013T100053Z<created>
<updated>20131013T100147Z</updated>
<note-attributes>
<author>Yasumichi Mori</author>
<reminder-order>0</reminder-order>
</note-attributes>
<resource>
<data encoding="base64">
<!-- もとのPDFファイルのBASE64表現-->
JVBERi0xLjMKJcTl8uXrp/Og0MTGCjQgMCB...
</data>
<mime>application/pdf</mime>
<resource-attributes>
<file-name>20131012090201.pdf</file-name>
</resource-attributes>
<alternate-data encoding="base64">
<!-- OCR後PDFのBASE64表現 -->
JVBERi0xLjMKJbe...
</alternate-data>
</resource>
</note>
その他
- Typewritten Text（フォントを使ったようなもの）と、Handwritten Text（手書き）の両者に対応
- 0° 90° 270° に合致しないテキストは無視される（斜め/裏返しも同様）。ただし、日本語の縦書には対応している模様。
- 今のところ、EvernoteのOCRは、28のTypewritten言語と、11のHandwritten言語とに対応している。
