OCRBase — ドキュメントOCRと構造化データ抽出API

AI/ML
OCRBase — ドキュメントOCRと構造化データ抽出API

OCRBase — ドキュメントOCRと構造化データ抽出API

PDFや画像からテキストを抽出し、LLMで構造化データに変換する自己ホスト可能なOCR/解析基盤。PaddleOCRによる高精度な文字認識、カスタムスキーマに基づくデータ抽出、WebSocketによるリアルタイム進捗通知、OpenAPI準拠のREST APIとType-safeなTypeScript SDK（Reactフック含む）を提供。開発者がローカルやサーバ環境で運用しやすい設計になっています。（約300字）

https://github.com/majcheradam/ocrbase

概要

ocrbaseはPDFや画像文書を入力として、OCR（文字認識）→ LLMによる構造化データ抽出 → Markdown/JSON形式での出力までを扱うドキュメント処理プラットフォームです。核となるOCRにはPaddleOCRを用い、抽出したテキストを大規模言語モデルでパースしてカスタムスキーマに沿ったJSONやMarkdownに変換します。リアルタイムなジョブステータスはWebSocketで配信され、OpenAPIドキュメントからType-safeなTypeScript SDKとReactフックを利用して簡単に統合できます。セルフホスト可能で、ドキュメント自動化ワークフローに適した実装例やツール群が揃っています。（約300字）

GitHub

リポジトリの統計情報

  • スター数: 11
  • フォーク数: 0
  • ウォッチャー数: 11
  • コミット数: 21
  • ファイル数: 20
  • メインの言語: TypeScript

主な特徴

  • PaddleOCRによる高品質なドキュメントOCRと後処理のパイプライン
  • LLM（大規模言語モデル）を使ったスキーマ駆動の構造化データ抽出
  • WebSocketでのリアルタイムジョブ更新とREST/OpenAPIによる操作性
  • Type-safeなTypeScript SDKとReactフックでフロントエンド統合が容易

技術的なポイント

ocrbaseは「OCRエンジン」と「LLMベースのパーサ」を明確に分離したアーキテクチャを採用しています。まずPaddleOCRでページ単位の文字認識とレイアウト情報を抽出し（ページ、ブロック、行、バウンディングボックス等）、その認識結果を中間フォーマットとして保持します。次に、LLMに認識テキストと（必要に応じて）カスタムスキーマを与え、意図したフィールドを抽出・正規化することで、自由形式の文書から構造化JSONやMarkdownを生成します。

運用面では、ファイルアップロード→ジョブ作成→OCR実行→解析→結果出力の各フェーズをREST APIで制御し、進捗やログはWebSocketでクライアントへ逐次送信します。OpenAPI準拠の仕様からTypeScriptの型安全なSDKを生成し、さらにReact用のフックを用意しているため、フロントエンド開発者は型付きで容易にジョブの作成や状態監視、結果取得ができます。

拡張性としてはカスタムスキーマの定義を受け入れる設計になっており、業務固有のフォーム・請求書・契約書等に合わせた抽出ルールを実装可能です。また、セルフホストを想定した環境変数管理（.env.example）やツール設定ファイル（lintrc/formatter設定）によりローカルやクラウドへ展開しやすくなっています。TypeScript中心の実装は型安全性を高め、SDK利用時の開発体験を良くします。セキュリティ・スケーラビリティ面では、OCR処理やLLM呼び出しを分離してワーカー化することで負荷分散やスケールアウトが容易になる設計が読み取れます。（約700字）

プロジェクトの構成

主要なファイルとディレクトリ：

  • .claude: dir
  • .env.example: file
  • .gitignore: file
  • .oxfmtrc.jsonc: file
  • .oxlintrc.json: file

…他 15 ファイル

まとめ

セルフホスト可能で型安全なOCR→LLMパイプラインを手軽に試せる実用的なプロジェクトです。（約50字）

リポジトリ情報：

READMEの抜粋：

OCRBase

A powerful OCR document processing and structured data extraction API built with modern TypeScript tooling.

Overview

OCRBase provides:

  • Document OCR using PaddleOCR for accurate text extraction
  • AI-powered structured data extraction using LLMs
  • Custom schema support for targeted data extraction
  • Real-time job status updates via WebSocket
  • RESTful API with OpenAPI documentation
  • Type-safe TypeScript SDK with React hooks

Architecture

![Architecture Diagram](docs/arc…