【検証】PDFからの情報抽出、精度が高いのはどっち？Document AI + Gemini API vs Gemini API単体

import os
from google.api_core.client_options import ClientOptions
from google.cloud import documentai
from google import genai
from google.genai import types
# import PIL.Image # パターンBで画像ファイルを扱う場合は必要

# --- Google Cloud認証 ---
# Google Cloudプロジェクトで作成したサービスアカウントキーのJSONファイルパスを指定します。
# Colabにアップロードするか、Google Driveをマウントしてパスを指定してください。
credentials_path = '/path/to/your/service-account-key.json' # ★あなたのキーファイルのパスに置き換えてください
os.environ["GOOGLE_APPLICATION_CREDENTIALS"] = credentials_path

# --- Gemini APIキー設定 ---
# Google AI Studioなどで取得したAPIキーを設定します。
# 参考: https://aistudio.google.com/app/apikey
genai.configure(api_key="YOUR_API_KEY") # ★あなたのAPIキーに置き換えてください

# --- Document AI 設定 ---
project_id = "your-gcp-project-id"       # ★あなたのGoogle CloudプロジェクトIDに置き換えてください
location = "us"                         # 例: "us" または "eu" など、利用するリージョン
processor_id = "your-ocr-processor-id" # ★利用するDocument AIプロセッサID (例: OCR用)に置き換えてください

def process_document(
    project_id: str,
    location: str,
    file_path: str,
    processor_id: str,
) -> documentai.Document:
    """
    指定されたPDFファイルをDocument AIで処理し、Documentオブジェクトを返す。
    """
    # Document AIクライアントの初期化 (リージョン指定)
    opts = ClientOptions(api_endpoint=f"{location}-documentai.googleapis.com")
    client = documentai.DocumentProcessorServiceClient(client_options=opts)

    # プロセッサのフルパスを取得
    processor_path = client.processor_path(project_id, location, processor_id)

    # PDFファイルをバイナリで読み込む
    try:
        with open(file_path, "rb") as image:
            image_content = image.read()
    except FileNotFoundError:
        print(f"エラー: ファイルが見つかりません - {file_path}")
        return None

    # Document AIへのリクエストデータを作成
    raw_document = documentai.RawDocument(
        content=image_content,
        mime_type="application/pdf", # PDFの場合
    )

    # Document AIへ処理リクエストを送信
    request = documentai.ProcessRequest(name=processor_path, raw_document=raw_document)

    try:
        result = client.process_document(request=request)
        return result.document
    except Exception as e:
        print(f"エラー: Document AIでの処理中にエラーが発生しました - {e}")
        return None

def generate_content_with_gemini(contents):
    """
    Gemini APIにリクエストを送信し、生成されたテキストを返す。
    """
    # Geminiクライアントの初期化（APIキーは genai.configure で設定済み）
    # client = genai.Client() # genai.configureを使わない場合
    model = genai.GenerativeModel('gemini-pro') # テキストのみの場合 'gemini-pro'、画像も使う場合 'gemini-pro-vision' など
    try:
        response = model.generate_content(contents)
        return response.text
    except Exception as e:
        print(f"エラー: Gemini APIでの処理中にエラーが発生しました - {e}")
        # エラー内容によっては response.prompt_feedback などで詳細を確認
        if hasattr(e, 'response') and hasattr(e.response, 'prompt_feedback'):
             print(f"Prompt Feedback: {e.response.prompt_feedback}")
        return None

# 処理対象のPDFファイルパスのリスト (サンプル)
file_paths = [
  '/path/to/your/invoice1.pdf',          # ★実際のファイルパスに置き換えてください
  '/path/to/your/agency_invoice_A.pdf', # ★実際のファイルパスに置き換えてください
  '/path/to/your/company_invoice_B.pdf',# ★実際のファイルパスに置き換えてください
  # ... 他のファイルパスを追加 ...
]

# Gemini APIに渡すプロンプト (情報抽出の指示)
# 具体的な抽出項目やルールは、対象のドキュメントに合わせて調整が必要です。
prompt = """
以下の[文字列]は、請求書をOCR処理した文字列です。
この[文字列]を解析し、[Jsonテンプレート]で指定されたテンプレートを使いつつ[ルール]に従ってJson文字列のみを返してください。
[ルール]----------------------
次の６つの項目の情報を抽出してください。
１．請求書NO
（以下略）
[文字列]----------------------
"""

# 出力形式を指定するJSONテンプレート
json_template = """
[Jsonテンプレート]----------------------
{
  "no": "%ここに請求書NOを入れてください%",
（以下略）
}
"""

# 各ファイルに対して処理を実行
for file_path in file_paths:
  print(f"--- Processing: {os.path.basename(file_path)} ---") # ファイル名を表示

  # 1. Document AIでテキスト抽出
  document = process_document(project_id, location, file_path, processor_id)

  if document and document.text:
    # 抽出したテキストを表示（確認用、必要に応じてコメントアウト）
    # print("--- Extracted Text (Document AI) ---")
    # print(document.text[:500] + "...") # 長すぎる場合は一部表示

    # 2. Gemini APIに渡すコンテンツを作成
    # プロンプト、抽出したテキスト、JSONテンプレートを結合
    gemini_input_text = "\n".join([prompt, document.text, json_template])

    # 3. Gemini APIで情報抽出
    print("--- Extracting Information (Gemini API) ---")
    extracted_json_text = generate_content_with_gemini([gemini_input_text]) # テキストのみ渡す

    if extracted_json_text:
      print(extracted_json_text)
    else:
      print("Gemini APIからの応答がありませんでした。")

  else:
      print("Document AIによるテキスト抽出に失敗しました。")

  print("-" * 40 + "\n") # ファイルごとの区切り線

# (参考) Geminiに渡す最終的な入力内容の例（プロンプト+OCRテキスト+テンプレート）
# print("--- Example Gemini Input ---")
# print("\n".join([prompt, "（ここにOCRで取得したテキストが入ります）", json_template]))