Tesseract.js によるブラウザー内の JavaScript OCR
ローカル画像を選び、「Recognize text」をクリックすると、画像をアップロードせずにテキストをコピーできます。このチュートリアルでは、ウェブ開発者向けに Tesseract.js の完全な実装例を紹介します。読み込み状況の表示、同じファイルの再試行に対応し、認識処理は一度に一件だけ実行します。まずは印字された英語テキストの鮮明なスクリーンショットを使ってください。OCR の出力は、校正が必要です。
ブラウザー内で動作する処理
Tesseract.js は、ワーカー内で WebAssembly を介して Tesseract OCR エンジンを実行します。認識処理はブラウザーで行うため、速度とメモリ使用量は利用者の端末や画像によって変わります。即座に結果が得られるとは限りません。プロジェクトの対象範囲では PDF の直接入力も対象外としています。PDF のページは別途画像にレンダリングしてから認識処理に渡してください。
この例では、Tesseract.js とそのコアを 7.0.0 に、英語の言語データを 1.0.0 に固定しています。出力には、デフォルトで有効なテキスト出力を使います。ワーカー API は、非同期の
createWorker('eng', 1, options) 呼び出しで言語を初期化します。以前の
loadLanguage() と initialize() の手順は不要です。
ブラウザーの互換性と要件
Web Workers、入れ子のワーカー、WebAssembly に対応した最新のブラウザーを使用してください。この実装例全体は Linux 上の Chromium 145 と 152 でテストしています。また、二つのファイルをローカルで配信するための Python 3 と、バージョンを固定したスクリプト、WASM、言語データを jsDelivr から読み込むためのネットワーク接続が必要です。Node.js によるビルドやパッケージのインストールは不要です。
この例では画像はブラウザー内にとどまりますが、アセットのダウンロード時には CDN に接続します。言語データをキャッシュするだけでは、ページはオフラインで動作しません。オフラインアプリケーションでは、HTML、スクリプト、ワーカー、WASM、言語アセットも配信またはキャッシュする必要があります。このチュートリアルでは、オフライン用のキャッシュは設定しません。プロジェクトのアセットのホスティング方法を参照してください。
Tesseract.js の使い方
インストール
tesseract-browser という名前で、新しい空のディレクトリを作成してください。同じ名前のディレクトリがすでにある場合は、その中のファイルを置き換えず、別のディレクトリを選んでください。次の二つのブロックを、その中に index.html と
ocr-worker.js として保存してください。これらは通常のブラウザー用ファイルで、フレームワークもバックエンドも使いません。
基本例:画像からのテキスト認識
次の内容を index.html として保存してください。処理が完了するまでは、ファイル選択とボタンを無効にします。処理後に別の画像を選ぶと、前の結果を消去します。ボタンを再度クリックすると、ファイルを選び直すイベントを発生させなくても、選択済みのファイルを再試行できます。
<!doctype html>
<html lang="en">
<head>
<meta charset="utf-8" />
<meta name="viewport" content="width=device-width, initial-scale=1" />
<title>Read text from a local image</title>
</head>
<body>
<h1>Read text from a local image</h1>
<form id="ocrForm">
<fieldset id="controls">
<legend>Recognize English text</legend>
<label for="imageInput">Image (JPEG, PNG, or WebP; up to 5 MiB)</label>
<input id="imageInput" type="file" accept="image/jpeg,image/png,image/webp" />
<button type="submit">Recognize text</button>
</fieldset>
</form>
<p id="status" role="status">Choose an image to begin.</p>
<label for="result">Recognized text</label>
<textarea id="result" rows="12" cols="60" readonly></textarea>
<script>
const form = document.getElementById('ocrForm')
const controls = document.getElementById('controls')
const imageInput = document.getElementById('imageInput')
const status = document.getElementById('status')
const result = document.getElementById('result')
let busy = false
async function recognizeImage(file) {
let task
let timer
let timedOut = false
try {
task = new Worker('./ocr-worker.js')
return await new Promise((resolve, reject) => {
const fail = () => reject(new Error('OCR task failed.'))
timer = setTimeout(() => {
timedOut = true
fail()
}, 90_000)
task.onerror = (event) => {
event.preventDefault()
fail()
}
task.onmessage = ({ data }) => {
if (data.type === 'result') resolve(data.text)
else if (data.type === 'error') fail()
else if (data.type === 'progress') {
status.textContent = data.status === 'recognizing text'
? 'Recognizing text… ' + Math.round(data.progress * 100) + '%'
: 'Loading OCR assets…'
}
}
task.postMessage(file)
})
} catch {
throw new Error(timedOut
? 'OCR timed out after 90 seconds. Try a smaller image or retry.'
: 'OCR failed. Check your connection and image, then try again.')
} finally {
clearTimeout(timer)
task?.terminate()
}
}
async function validateAndPerformOCR(file) {
if (!file || !['image/jpeg', 'image/png', 'image/webp'].includes(file.type)) {
throw new Error('Choose a JPEG, PNG, or WebP image.')
}
if (file.size === 0 || file.size > 5 * 1024 * 1024) {
throw new Error('Choose a nonempty image of 5 MiB or smaller.')
}
return recognizeImage(file)
}
imageInput.addEventListener('change', () => {
if (busy) return
result.value = ''
status.textContent = 'Selection changed. Click Recognize text.'
})
form.addEventListener('submit', async (event) => {
event.preventDefault()
if (busy || controls.disabled) return
const file = imageInput.files[0]
busy = true
controls.disabled = true
result.value = ''
status.textContent = 'Loading OCR assets…'
try {
const text = await validateAndPerformOCR(file)
result.value = text
status.textContent = text.trim()
? 'Finished: ' + file.name + '. You can copy the text below.'
: 'No text found. Try a clearer image of printed text.'
} catch (error) {
status.textContent = error instanceof Error
? error.message
: 'OCR failed. Try another image.'
} finally {
busy = false
controls.disabled = false
}
})
if (typeof Worker === 'undefined' || typeof WebAssembly === 'undefined') {
controls.disabled = true
status.textContent = 'Use a browser with Web Workers and WebAssembly.'
}
</script>
</body>
</html>
次の内容を ocr-worker.js として保存してください。この外側のワーカーはページが管理するため、Tesseract の初期化が終わらなくても終了できます。これは、言語データのダウンロードに失敗すると、createWorker() がバージョン 7.0.0 では未完了のままになる場合があるため重要です。ワーカーの errorHandler は、失敗をページに直接通知します。90 秒の制限時間は、ダウンロードが停止した場合にも適用されます。この制限時間はデモの方針であり、認識にかかる時間の目安ではありません。
importScripts('https://cdn.jsdelivr.net/npm/tesseract.js@7.0.0/dist/tesseract.min.js')
async function performOCR(file) {
const worker = await Tesseract.createWorker('eng', 1, {
workerPath: 'https://cdn.jsdelivr.net/npm/tesseract.js@7.0.0/dist/worker.min.js',
corePath: 'https://cdn.jsdelivr.net/npm/tesseract.js-core@7.0.0',
langPath: 'https://cdn.jsdelivr.net/npm/@tesseract.js-data/eng@1.0.0/4.0.0_best_int',
logger: ({ status, progress }) => postMessage({ type: 'progress', status, progress }),
errorHandler: () => postMessage({ type: 'error' }),
})
try {
const { data: { text } } = await worker.recognize(file)
return text
} finally {
await worker.terminate()
}
}
self.onmessage = async ({ data: file }) => {
try {
const text = await performOCR(file)
postMessage({ type: 'result', text })
} catch {
postMessage({ type: 'error' })
}
}
ターミナルで tesseract-browser の親ディレクトリからローカルサーバーを起動してください。
(cd tesseract-browser && python3 -m http.server --bind 127.0.0.1 0)
ポート 0 を指定すると、空いているポートを OS に要求します。サーバーが表示する http://127.0.0.1:PORT/ のアドレスを開いてください。ワーカーの読み込みはページのオリジンに依存するため、HTML ファイルをダブルクリックせず、HTTP を使います。使い終わったら Ctrl+C でサーバーを停止してください。再起動しても、同じファイルが上書きされずに配信されます。
「BROWSER OCR TEST」を含む小さなスクリーンショットを選び、「Recognize text」をクリックしてください。読み込み状況、認識の進捗、「Recognized text」内の抽出された単語が表示されるはずです。一方、空白の画像では「No text found.」と表示されるはずです。元のファイルは一切変更せず、ページは画像や認識したテキストをストレージに保存しません。
エラー処理と検証
五 MiB の上限は、このデモの入力に関する方針であり、Tesseract の上限ではありません。圧縮されたファイルのサイズでは、デコード後のピクセル用メモリの使用量を制限できないため、モバイル端末では小さな画像から始めてください。MIME タイプの許可リストは選択ミスの検出に役立ちますが、image/png とラベル付けされた破損ファイルは、認識処理中に失敗として扱う必要があります。画像の MIME タイプも、ファイル選択の
accept 属性も、内容が有効であることの証明にはなりません。
OCR が失敗したら、画像を確認し、ブラウザーの Network パネルでスクリプト、WASM、言語データのリクエストが失敗していないか確認してから、「Recognize text」を再度クリックしてください。同じファイルで再試行できます。結果が空であることはワーカーのエラーではなく、元の画像にテキストが含まれていない証明にもなりません。コントラストが低い場合、文字が小さすぎる場合、認識言語が適切でない場合にも、出力が空になったり不正確になったりすることがあります。
複数言語の処理
英語とドイツ語が混在するテキストでは、次の関数を ocr-worker.js に追加し、ハンドラーの performOCR(file) 呼び出しを
performMultilingualOCR(file) に置き換えてください。言語の配列はモデルを選択するもので、出力を翻訳するものではありません。このバリエーションでは、メインの例のバージョン固定された英語専用パスではなく、Tesseract のデフォルトの言語 URL を使い、各言語のデータをそれぞれ読み込めるようにします。
async function performMultilingualOCR(file, languages = ['eng', 'deu']) {
const worker = await Tesseract.createWorker(languages, 1, {
workerPath: 'https://cdn.jsdelivr.net/npm/tesseract.js@7.0.0/dist/worker.min.js',
corePath: 'https://cdn.jsdelivr.net/npm/tesseract.js-core@7.0.0',
logger: ({ status, progress }) => postMessage({ type: 'progress', status, progress }),
errorHandler: () => postMessage({ type: 'error' }),
})
try {
const { data: { text } } = await worker.recognize(file)
return text
} finally {
await worker.terminate()
}
}
パフォーマンスの最適化
画像の前処理
まず、実際に使用する画像で結果を比較してください。余分な余白の切り取りや回転の補正は、認識の改善に役立つことがあります。文字の縮小やコントラストの増加は、有用な細部を失わせる場合があります。以下の任意のヘルパーは幅を 1,000 ピクセルに制限しますが、これはメモリ使用量との兼ね合いによるもので、精度を高めるための推奨設定ではありません。
index.html のスクリプト内に追加し、return recognizeImage(file) がある
validateAndPerformOCR 内で、その値を return optimizedOCR(file) に置き換えてください。検証は引き続き前処理より前に行ってください。
async function preprocessImage(file) {
const url = URL.createObjectURL(file)
try {
const img = new Image()
await new Promise((resolve, reject) => {
img.onload = resolve
img.onerror = () => reject(new Error('Unable to decode image.'))
img.src = url
})
const canvas = document.createElement('canvas')
const maxWidth = 1000
const scale = img.width > maxWidth ? maxWidth / img.width : 1
canvas.width = Math.max(1, Math.round(img.width * scale))
canvas.height = Math.max(1, Math.round(img.height * scale))
const ctx = canvas.getContext('2d')
if (!ctx) throw new Error('Canvas processing is unavailable.')
ctx.filter = 'grayscale(100%) contrast(150%)'
ctx.drawImage(img, 0, 0, canvas.width, canvas.height)
return await new Promise((resolve, reject) => {
canvas.toBlob((blob) => {
if (blob) resolve(blob)
else reject(new Error('Unable to encode processed image.'))
}, 'image/png')
})
} finally {
URL.revokeObjectURL(url)
}
}
async function optimizedOCR(file) {
const processedImage = await preprocessImage(file)
return recognizeImage(processedImage)
}
メモリ管理
単一画像のデモでは、ワーカーのライフサイクルを単純にするため、試行ごとに新しいワーカーを作成します。バッチ処理では、初期化済みの Tesseract ワーカーを一つ再利用し、画像を順番に認識してください。これにより、入力順序を保ち、画像ごとに別の OCR エンジンを読み込まずに済みます。この関数は、画像の処理に最初に失敗した時点で Promise を reject してバッチ処理を終了し、finally で初期化済みのワーカーを終了します。
次の内容を ocr-worker.js に追加してください。現在のページで最小限の二回処理の実験を行うには、ハンドラーの
const text = await performOCR(file) を
const text = (await batchProcessImages([file, file])).join('\n') に置き換えてください。出力には同じ結果が二つ、順に含まれます。アプリケーションでは、代わりに画像ファイルを順序どおりに並べた配列を渡してください。外側の制限時間は引き続き処理全体に適用されるため、UI を拡張する前に適切なバッチ上限を決めてください。
async function batchProcessImages(files) {
const worker = await Tesseract.createWorker('eng', 1, {
workerPath: 'https://cdn.jsdelivr.net/npm/tesseract.js@7.0.0/dist/worker.min.js',
corePath: 'https://cdn.jsdelivr.net/npm/tesseract.js-core@7.0.0',
langPath: 'https://cdn.jsdelivr.net/npm/@tesseract.js-data/eng@1.0.0/4.0.0_best_int',
logger: ({ status, progress }) => postMessage({ type: 'progress', status, progress }),
errorHandler: () => postMessage({ type: 'error' }),
})
const results = []
try {
for (const file of files) {
const { data: { text } } = await worker.recognize(file)
results.push(text)
}
return results
} finally {
await worker.terminate()
}
}
セキュリティ上の考慮事項とベストプラクティス
認識したテキストは、テキストとして扱ってください。この例では、読み取り専用の textarea の value に代入するため、認識した HTML が実行されることはありません。結果を別のビューに移す場合は、innerHTML を使って挿入しないでください。
ローカルでの認識という説明は、このコードが画像を処理する場所を示すもので、このコードを埋め込むあらゆるページのプライバシーを包括的に保証するものではありません。ページ上のスクリプトは、選択されたファイルにアクセスできます。機密文書を扱う前に、これらの依存関係とサイト内のほかのスクリプトを確認してください。OCR アセットを自分でホストする場合は、WASM を application/wasm で配信し、対応するコアパッケージ全体を保持してください。これにより、Tesseract が端末の対応するビルドを選択できます。
