pager-reader

pager-reader は、Windows上でページ表示される文書を連続撮影し、CodexでOCRするためのCLIとスキルです。CLIは画面選択・撮影・ページ送りだけを担当し、OCRと校正はCodexスキルが担当します。

インストール

現在の配布対象はWindows x64です。Node.js 18以降が必要です。npmからインストールします。

npm install --global pager-reader
pager-reader --version

公開前の開発版を試す場合だけ、GitHubの main ブランチを直接指定できます。

npm install --global github:hachiware-labs/pager-reader#main

npmパッケージに同梱されたVercel Skills互換の pager-reader スキルをCodexへ追加します。

$pagerReaderPackage = pager-reader skill-path
npx skills add $pagerReaderPackage `
  --skill pager-reader `
  --agent codex `
  --global `
  --yes

scanからOCRまで通して実行する

対象文書をKindle、PDFビューア、ブラウザなどで開き、取得を始めるページを表示します。文書全体を取得する場合は先頭ページを表示してください。

Codexで次のように依頼します。

$pager-reader を使って「文書タイトル」をスキャンし、そのままOCRしてください。
対象モニターとページ送りキーは自動で検知し、ページ送りできなくなるまで取得してください。

スキルは次の処理を続けて行います。

1. pager-reader scan を起動する
2. タイトル名の文書フォルダへ全ページを保存する
3. Lunaで各ページ画像をOCRする
4. 別のLunaが共通基準で全ページを監査する
5. 閾値未満のうち監査点が下位5%以内のページだけを局所再読し、未解決ならSolが修正する
6. 文書目次を活用したリーダーHTMLとテキストを生成する
7. 完了を確認してscan画像を削除する

computer-useは使いません。画面取得とページ送りは pager-reader が行います。

OCR・監査・出力パラメータ

| パラメータ | 通し処理の標準値 | 内容 | |---|---:|---| | ocr_model | gpt-5.6-luna | 最初のOCRに使うモデル | | audit | on | 原画像との独立監査 | | audit_model | gpt-5.6-luna | OCRとは別の品質監査専用モデル | | reread_on_low_quality | on | 監査で選ばれた下位ページを局所再読するか | | reread_model | gpt-5.6-luna | 局所再読に使うモデル | | repair_on_low_quality | on | 再読後も重大な問題が残るページを修正するか | | repair_model | gpt-5.6-sol | 修正モデル | | quality_threshold | 90 | Sol候補に含める監査点の上限（この値未満） | | repair_max_pages | 5 | 1文書で修正モデルを使える最大ページ数 | | repair_max_percent | 5 | 1文書で修正モデルを使える最大割合 | | output_format | html | html、markdown、both | | html_pages_per_file | 50 | 長文HTMLを分割するページ数。0 は分割しない | | delete_scan_images_after_ocr | on | OCR完了後に pages/ を削除する |

初回Lunaには、段組み・読み順の判定、本文欠落の防止、数字・固有名詞・否定表現の保持、推測禁止を簡潔な専用プロンプトで指示します。監査は新しいLunaコンテキストで原画像とOCR結果を照合し、全ページを同じ採点基準で評価します。Sol候補は 監査点 < quality_threshold のページを低得点順に並べ、min(最大ページ数, floor(全ページ数 × 最大割合)) 件だけ選びます。選択ページをLunaで一度だけ局所再読し、再読後も閾値未満の場合だけSolを使います。標準値では139ページの文書でも最大5ページです。

依頼文で値を変更できます。

$pager-reader を使って「文書タイトル」をスキャンし、そのままOCRしてください。
OCRモデルはgpt-5.6-terra、監査はoff、出力はboth、scan画像は残してください。

既存の文書フォルダをOCRするだけの場合、scan画像削除の標準値は off です。明示的に削除を依頼した場合だけ削除します。

モニターの自動選択

--monitor を省略した場合、モニターが一つなら自動選択されます。複数ある場合は各画面に「この画面を読む」と表示されるので、対象文書がある画面をクリックしてください。選択画面を閉じた後は、選択前に前面だった文書アプリへフォーカスを戻してから開始します。Windowsが復帰を拒否した場合は警告を表示するため、カウントダウン中に文書本文をクリックしてください。

番号を固定する場合だけ、次のように確認・指定します。

pager-reader monitors
pager-reader scan --title "文書タイトル" --monitor 0

ページ送りキーの自動検知

既定の --turn-key auto は右、左、PageDownの順にキーを試し、画面が変化したキーを以後のページ送りに使います。左キーで進む文書も画面差分から自動検知されます。

自動検知は文書の先頭または末尾から開始してください。途中ページでは前後どちらのキーでも画面が変化するため、方向が分かっている場合は --turn-key left または --turn-key right を指定します。

scanだけ実行する

CLIから撮影だけ行う場合:

pager-reader scan `
  --title "文書タイトル" `
  --turn-key auto

--output を省略した場合は、現在の作業ディレクトリ直下へ 文書タイトル フォルダを作成します。別の場所へ保存するときだけ --output <親ディレクトリ> を指定してください。

--max-pages を省略すると、ページ送りによる画面変化が確認できなくなるまで取得します。枚数を制限したい場合だけ --max-pages 200 のように指定してください。

開始前のカウントダウン中に対象アプリを前面へ出してください。標準の差分しきい値は 0.00005、ページ安定待ちは2.5秒です。変化が見えない場合はもう一度待って確認してから次のキーを送るため、描画遅延によるページ飛ばしを抑えます。同一に見える空白ページが続く可能性を考慮して5回までページ送りを続け、それでも変化しない場合に末尾と判断します。必要なら --stop-after-duplicates を増やせます。Ctrl+C を押すと、取得済みページを確定して終了します。

スキルへscanだけ依頼することもできます。

$pager-reader を使って「文書タイトル」をスキャンだけしてください。OCRはまだ行わないでください。

既存のscan結果をOCRする

既存のpager-reader文書フォルダを指定すれば、撮影を繰り返さずOCRから再開できます。

$pager-reader を使って C:\path\to\文書タイトル の次の10ページをOCRしてください。

既定では未処理ページを最大10ページずつ処理します。各ページの完了直後に保存するため、中断しても ocr_status を見て続きから再開できます。

scanで作成される形式

scan 直後の文書フォルダは、画像と処理状態だけを持つ最小構成です。manifest.json の format: "pager-reader" で形式を識別します。

<現在の作業ディレクトリ>/
└── 文書タイトル/
    ├── manifest.json
    └── pages/
        ├── page-0001.png
        ├── page-0002.png
        └── ...

• manifest.json: schema 1。文書タイトル、撮影状態、OCR状態、ページ一覧、画面差分、出力予定ファイル名を保持します。
• pages/page-XXXX.png: OCRと校正の原本になるページ画像です。
• scan完了時は capture_status: completed、ocr_status: pending です。
• 同名フォルダがある場合は日時付きの別フォルダを作り、既存データを上書きしません。

scanだけではMarkdownやOCRテキストを作りません。

OCR後に作成される形式

標準の通し処理では、必要な画像をHTMLへ直接埋め込み、検証完了後に pages/ を削除します。HTMLはpagerアプリ風の文書リーダーになり、目次から本文へ移動できます。原文書に目次がある場合は、その章題と印刷ページ番号を優先して使います。目次がない場合は検出した見出しとページ範囲からナビゲーションを作ります。

<現在の作業ディレクトリ>/
└── 文書タイトル/
    ├── manifest.json
    ├── 文書タイトル.html
    ├── 文書タイトル.txt
    ├── 文書タイトル-html/          # 50ページを超える場合
    │   ├── pages-0001-0050.html
    │   └── pages-0051-0100.html
    └── .ocr/
        ├── page-0001.json
        ├── page-0002.json
        └── ...

• 文書タイトル.html: 常にここから開くリーダー画面です。左側に文書目次、中央に本文を表示し、狭い画面では目次を開閉できます。図・表・数式・表紙・レイアウト依存ページ・不確実なページだけをData URLとして埋め込みます。
• 文書タイトル-html/: 標準では51ページ以上の文書で作られる本文分割ファイルです。リーダーが内部で読み込むため、通常は直接開く必要がありません。分割数は html_pages_per_file で変更できます。
• 文書タイトル.txt: OCR本文だけをページ順に連結したプレーンテキストです。
• .ocr/page-XXXX.json: OCRモデル、本文、画像掲載判断、信頼度、印刷ページ番号、見出し、文書目次項目、専用のLuna品質監査、品質点数、Sol修正の有無、不確実箇所を保存します。
• manifest.json: ページごとの結果と ocr_status を更新します。全ページ完了時は ocr_status: completed です。
• pages/: 通し処理では全成果物と監査記録の検証後に削除されます。OCRだけの処理では標準で残ります。

output_format=markdown または both を指定すると 文書タイトル.md も作成します。scan画像削除がOnの場合、Markdownに必要な画像だけを assets/ へコピーしてから pages/ を削除します。

コマンド

初版のCLIは撮影に必要な二つのコマンドだけを提供します。

pager-reader monitors
pager-reader scan --help

開発とパッケージ作成

ソースからビルドする場合はRust 1.85以降とNode.js 18以降を用意します。

npm install
npm test
npm pack

npm pack はWindows実行ファイル、npmランチャー、pager-reader スキルを一つのtarballへ収録します。

OCRは誤る可能性があります。重要な引用、数値、固有名詞は保存されたページ画像と照合してください。OSやアプリが保護する映像は黒画面になる場合があり、本ツールはその保護を迂回しません。利用する文書の著作権と利用条件に従ってください。