ebook-maker

スキャンした文書画像を輝度・コントラスト調整して、1つのPDFまたはEPUBに変換するWebアプリです。

画像は一切サーバーに送信されません。デコード・補正・見開き結合・PDF/EPUB生成のすべてがブラウザ内で完結し、 ページ画像と調整パラメータはIndexedDBに保存されるためリロードしても作業内容が残ります。

機能

• 複数画像ファイル/フォルダの取込(ドラッグ&ドロップ対応)
• 自動輝度・コントラスト補正 + スライダによる手動調整(プレビュー付き)
• 見開き結合(2ページを1枚に結合)、並べ替え、削除
• OCR(任意の3番目の工程): 文字を認識して行ごとに確認・修正し、テキスト(.txt)として保存
• 目次の作成(任意の4番目の工程): 目次ページのOCRから章名と開始ページを読み取り、PDFのしおり・EPUBの目次に埋め込む
• タイトル・著者のメタデータ入力
• PDF / EPUB(固定レイアウト・画像埋め込み型)の書き出し

操作は3つの必須工程(1. 読み込み → 2. 並べ替え・調整 → 詳細&書き出し)と、任意のOCR・目次の作成工程で進みます。

技術スタック

React + TypeScript + Vite / Canvas 2D API / pdf-lib / JSZip / IndexedDB。 書き出し処理はWeb Worker上で実行され、UIをブロックしません。

エージェント向け自動操作API

ページは window.EbookMaker としてJS APIを公開しており、describe() でメソッド一覧、getState() で現在の状態を取得できます。 詳細は public/llms.txt と src/lib/automationApi.ts を参照してください。

コマンド

npm install        # 依存関係のインストール
npm run dev        # 開発サーバー起動
npm test           # 単体・コンポーネントテスト (Vitest)
npm run build      # 型チェック (tsc -b) + 本番ビルド
npm run test:e2e   # E2Eテスト (Playwright)
npm run lint       # oxlint

npm test は esbuild 経由で型チェックを行わないため、変更後は npm run build も必ず実行してください。

OCRモデルの出典・ライセンス・帰属表示

本機能は国立国会図書館 NDLOCR-Lite (https://github.com/ndl-lab/ndlocr-lite, CC BY 4.0) のレイアウト検出・文字認識モデル(202604 の PARSeq は公式リポジトリの ver1.2)および文字セット NDLmoji.yaml を、固定コミット d25e0d415b607ad44459ca6b95c7512a54363935 から取得し、ONNX 形式のまま自サイトから配信しています。文字セットは公式版に切り替えました(プレースホルダだった箇所が希少CJK文字4字になります)。ブラウザ側のパイプラインは ndlocrlite-web (Yuta Hashimoto, CC BY 4.0, https://github.com/yuta1984/ndlocrlite-web) をWeb実装の参考にしており(本アプリのコードは独自実装)、DEIMv2 の第2取得元としても同リポジトリを使います。

モデルはNDL公式リポジトリ ndl-lab/ndlocr-lite の固定コミット d25e0d415b607ad44459ca6b95c7512a54363935 から取得します(以前使っていたファイルとバイト単位で同一で、SHA-256で検証済み)。文字セットも公式の NDLmoji.yaml を採用しています。個人バケットへの依存はありません。

ライセンスの解釈に関する注意: 公式リポジトリ全体は CC BY 4.0 ですが、ONNXモデルファイルが明示的に列挙されているわけではありません。判断の経緯は モデル配布元の判断(ADR) を参照してください。

モデルは npm run fetch-models で取得します(git管理外)。取得元を順に試し、各ファイルのSHA-256を検証します(DEIMv2は第2ソースとして ndlocrlite-web@50216cc も持ちます)。

公式ソースが全滅したときの保険として、Cloudflare R2 の非公開バケット ebook-maker にモデル5本のミラーを配置済みです。CIに R2 の Secrets が設定されていれば fetch-models が自動でフォールバックし(S3互換APIへのSigV4署名リクエスト。wrangler はCIでは使いません)、ミラー経路でも同じSHA-256検証を通します。Secrets が無い環境(フォークなど)では公式ソースのみで動作します。ミラーへのアップロードは所有者がローカルで R2_BUCKET=ebook-maker npm run mirror-models -- --execute(既定はdry-run)を実行する運用で、こちらは wrangler を使います。取得元の生死は週次ワークフローで監視しており、公式ソースが落ちたらR2が代替できていても警報が鳴ります。詳細は Cloudflare R2 運用手順 を参照してください。

OCR機能の使い方と注意

• 工程は「取込 → 調整 → OCR(任意) → 目次の作成(任意) → 書き出し」。OCRは飛ばしても従来どおり書き出せます。
• 初回のみモデル(合計約157MB)をダウンロードします。以降はブラウザのCache APIに保存され、再取得しません。
• GitHub Pagesでは COOP/COEP を設定できないため WASM は単一スレッドで動き、1ページあたり十数秒(実測の一例: 25行のページで14.4秒)かかります。
• 「このページをOCR」「全ページをOCR」で実行します。「全ページをOCR」は認識済みのページを飛ばします。
• 行の文字の修正・削除・並べ替え・枠の追加はブラウザに保存されます。修正済みの行があるページは再実行しても上書きされず、確認のうえ「上書きして再実行」を選んだときだけ置き換わります。
• 結果は「テキストを保存(.txt)」でページ順に書き出せます(ページ間は空行)。

既知の制限

• OCRのテキストはまだPDF/EPUBには埋め込まれません(今後の課題)。
• 枠の追加はマウス/タッチのドラッグのみで、キーボードだけでは追加できません。
• モデルの出典とライセンス解釈の詳細は モデル調査メモ を参照。

今後の課題

• OCRのテキストをPDF/EPUBに埋め込む(現在は .txt での書き出しのみ)。
• モデルのSHA-256を差し替えた際のR2ミラー再実行は手作業のままです(忘れるとフォールバックが404します。運用手順参照)。