Openai Ocr MCP

🚀 OpenAI OCR MCP サーバー

このサーバーは、OpenAI の視覚機能を活用した光学文字認識（OCR）機能を提供するモデルコンテキストプロトコル（MCP）サーバーです。Cursor IDE と統合され、画像からテキストをシームレスに抽出することができます。

✨ 主な機能

• 画像からのテキスト抽出：OpenAI の GPT-4.1-mini モデルを使用して、さまざまな画像形式からテキストを抽出します。
• 自動テキストファイル作成：抽出したテキストをソース画像とともに自動保存します。
• 内容に基づくファイル命名：一意の内容ハッシュを使用して、組織的なファイル管理を行います。
• 複数の画像形式のサポート：JPG、PNG、GIF、WebP 形式をサポートします。
• 強力なエラー処理：包括的な検証とエラー報告を行います。
• 詳細なログ記録：デバッグに便利なログ記録を行い、トラブルシューティングを容易にします。

🔧 技術詳細

視覚モデル

• OpenAI の GPT-4.1-mini モデルを使用しています。
• 画像からのテキスト抽出に最適化されています。
• 高詳細な画像分析をサポートしています。
• OpenAI の視覚 API を通じて画像を処理します。

ファイル処理

• 自動的にテキストファイルを作成します。
• 内容ハッシュを生成します。
• 複数の画像形式をサポートします。
• ファイルサイズの検証を行います。

📦 インストール

1. リポジトリをクローンします。
2. 依存関係をインストールします。

   npm install
   

3. TypeScript コードをビルドします。

   npm run build
   

4. .env ファイルに OpenAI API キーを設定します。

   OPENAI_API_KEY=your_api_key_here
   

💻 使用例

Cursor IDE での使用

1. Cursor の設定で MCP サーバーを構成します。
2. Cursor のコマンドパネルを使用して OCR ツールを起動します。
3. 処理する画像ファイルを選択します。
4. 抽出されたテキストは、以下のように表示および保存されます。
   • Cursor 内に表示されます。
   • 画像とともにテキストファイルとして保存されます。

テキストファイル出力

各処理された画像に対して、サーバーは以下の命名規則でテキストファイルを作成します。

{元の画像名}-{内容ハッシュ}.txt

例：

• 入力画像：document.jpg
• 出力ファイル：document-a1b2c3d4.txt

content_hash は、抽出されたテキストから生成される一意の 8 文字のハッシュで、以下のことを保証します。

• 異なるテキスト内容に対して一意のファイル名を持ちます。
• ソース画像と抽出されたテキストを簡単に関連付けることができます。
• 同じ画像から異なる結果が得られた場合のバージョン追跡が可能です。

サポートされる画像形式

• JPEG/JPG
• PNG
• GIF
• WebP

ファイルサイズ制限

• 最大ファイルサイズ：5MB
• この制限を超えるファイルは拒否され、エラーメッセージが表示されます。

エラー処理

サーバーは、一般的な問題に対して詳細なエラーメッセージを提供します。

• 無効な画像形式
• ファイルサイズの制限超過
• ファイルアクセス問題
• API キー問題
• テキスト抽出失敗

開発

ソースコードからのビルド

npm run build

テストの実行

npm test

デバッグ

サーバーは、以下の内容を含む詳細なログ記録を行います。

• API キーの検証
• ファイル処理の手順
• テキスト抽出結果
• ファイル保存操作

環境変数

• OPENAI_API_KEY：あなたの OpenAI API キー（必須）
• 標準 (sk-...) およびプロジェクト固有 (sk-proj-...) の API キーをサポートしています。

貢献

貢献を歓迎します！自由にプルリクエストを送信してください。

📄 ライセンス

MIT License