こんにちは。AILabの堂上拓です。
今回はMicrosaas開発シリーズとして、書類の空白欄を自動的に埋めるAIツールをご紹介します。 このツールは、業務でよく見かける「記入欄が多い書類」を、CSVデータをもとに一括で自動生成できるものです。
以下のような空欄が多いWord書類、皆さんも一度は目にしたことがあるのではないでしょうか?

これらを人手で何十人分も記入するのは、非常に非効率でミスの原因にもなります。 今回開発したツールは、その作業を自動化し、圧倒的に効率化するものです。
それでは開発の経緯とツールの使い方についてご説明します。
目次
開発環境
本アプリケーションで使用した技術スタックと構成は以下のとおりです。
Azure Document Intelligence
書類内の文字情報の抽出に、OCR精度の高いAzure Document Intelligenceを使用しました。 本ツールでは、「OCRで抽出した文字列」と「CSVのキー」をマッチングし、対応する値を書類に挿入します。
Azure OpenAI
CSVのキーとOCR結果内のテキストをマッチングさせるために、Azure OpenAIを活用しました。 曖昧なテキストの対応付けや、適切な出力形式(JSON)への整形もAIによって制御しています。
Python
pandasやjsonによるcsv・jsonデータの柔軟な操作、python-docxによるWord文書の読み書き自動化ライブラリを活用することで、データのまとめやdocxファイルの置換を効率化しました。
開発プロセス
今回の開発では、特に工夫が必要だった点や、実装の中で重要なポイントとなった箇所について、以下で詳しく紹介していきます。
① 入力ファイルの準備
フォーマットのファイルとして、下記画像のように挿入したい項目部分に”(項目名)”という形でテキストを入れたdocxファイル、そのpdfファイル、項目(KEY)と具体的に入れたい値(VALUE)が入ったcsvファイルを用意してください. 先ほど示した書類の画像は空白でしたが、ここの空白部分に事前に埋めていただく必要があります。
docxファイル例 
csvファイル例 
② pdfにOCRをかける (document_intelligence_OCR.py)
ここで用意したpdfにOCR処理を行い、書類全体の文字情報をJSON形式で出力します。
import os
import json
from azure.ai.formrecognizer import DocumentAnalysisClient
from azure.core.credentials import AzureKeyCredential
from dotenv import load_dotenv
load_dotenv()
endpoint = os.getenv("AZURE_DOCUMENT_INTELLIGENCE_ENDPOINT")
key = os.getenv("AZURE_DOCUMENT_INTELLIGENCE_KEY")
client = DocumentAnalysisClient(
endpoint=endpoint,
credential=AzureKeyCredential(key)
)
def analyze_document(file_path):
with open(file_path, "rb") as f:
poller = client.begin_analyze_document("prebuilt-document", document=f)
result = poller.result()
output = {
"pages": []
}
for page in result.pages:
page_data = {
"page_number": page.page_number,
"lines": [line.content for line in page.lines]
}
output["pages"].append(page_data)
# JSONファイルに保存
with open("ocr_output.json", "w", encoding="utf-8") as json_file:
json.dump(output, json_file, ensure_ascii=False, indent=2)
print("OCR結果を ocr_output.json に出力しました。")
if __name__ == "__main__":
file_path = "input.pdf"
analyze_document(file_path)
③ csvをjsonに変換 (csv_to_dict.py)
OCR結果と対応づけるために、CSVもJSONに変換します。不要な列や空欄の行を削除することで、マッチング処理がスムーズに行えるようになります。
import pandas as pd
import json
# 入力CSVのパス
csv_path = "input.csv"
json_path = "input_data.json"
# CSVを読み込み
df = pd.read_csv(csv_path)
# 「Unnamed」列や NaN の列を除去
df = df.loc[:, ~df.columns.str.contains("^Unnamed")]
df = df.dropna(axis=1, how="all") # 全部NaNの列は削除
# NaN の値を完全に除去(レコード単位)
cleaned_data = []
for row in df.to_dict(orient="records"):
filtered_row = {k: v for k, v in row.items() if pd.notna(v)}
cleaned_data.append(filtered_row)
# JSONとして保存
with open(json_path, "w", encoding="utf-8") as f:
json.dump(cleaned_data, f, ensure_ascii=False, indent=2)
print(f"complete")
④ 書類の埋めたいところとcsvのマッチング(generate_json.py)
この工程が本ツールの核となる処理です。
一見、OCRで得たテキストに対してCSVのKEYを文字列一致で探すだけに見えますが、それだけでは誤置換が発生します。
以下のように「同じ項目名が複数箇所に存在する」ケースでは、意図しない場所が置換される恐れがあります。

この問題に対しては、Azure OpenAIを活用し、次のようなプロンプトで適切なプレースホルダーのみ抽出するよう指示しました。
- 各CSVキーに対して、対応するプレースホルダーは1つだけ(最も適切なもの)を出力してください。 - 括弧つきの語をプレースホルダーとし、それ以外の類似表現は無視してください。
このAIによる出力形式は以下の通りです。
{
"placeholder": " ",
"context": "契約者氏名: 様",
"input_key": "利用者"
}
さらに、AI出力の整合性が不安定な場合も考慮し、次のように2段階でのAI補正を実装しました。
"placeholderは空白と記号の連続部分だけに限定してください" "文字起こしデータにない文章は絶対に入れないでください"
これにより、誤った挿入や過剰な補完を防ぐことができました。
import json
import os
import re
from openai import AzureOpenAI
from dotenv import load_dotenv
import unicodedata
# Load environment variables
load_dotenv()
# Azure OpenAI クライアント初期化
client = AzureOpenAI(
api_key=os.getenv("AZURE_OPEN_AI_KEY"),
azure_endpoint=os.getenv("AZURE_OPEN_AI_ENDPOINT"),
api_version=os.getenv("AZURE_API_VERSION"),
)
DEPLOYMENT_NAME = os.getenv("AZURE_DEPLOYMENT_NAME")
# Load input files
with open("ocr_output.json", "r", encoding="utf-8") as f:
ocr_data = json.load(f)
with open("input_data.json", "r", encoding="utf-8") as f:
input_data = json.load(f)
# Extract paragraph texts
paragraphs = [p["content"] for p in ocr_data.get("paragraphs", [])]
# 2. マッピング抽出用プロンプトを構成
system_prompt = "あなたはPDFテンプレートの記載箇所とCSVデータの対応関係をマッピングするAIです。"
user_prompt = f"""
- 各CSVキーに対して、対応するプレースホルダーは1つだけ(最も適切なもの)を出力してください。
- 例えばCSVキーに"法人格・法人の名称"がある場合、プレースホルダーは"(法人格・法人の名称)"のように括弧がついている内容を探すようにしてください。
- 文書に同じような内容で括弧がついていないものがあった場合(例えば文書に"法人格・法人の名称"があった場合)、括弧がついていない方はプレースホルダーとしないようにしてください。
- あくまでプレースホルダーは「CSVキーの内容に括弧がついた文」です。
段落:
{json.dumps(paragraphs, ensure_ascii=False, indent=2)}
CSVデータのキー:
{json.dumps(list(input_data[0].keys()), ensure_ascii=False)}
出力形式:
[
{{
"placeholder": " ",
"context": "契約者氏名: 様",
"input_key": "利用者"
}},
...
]
"""
# 3. OpenAIに問い合わせてマッピング取得
response = client.chat.completions.create(
model=DEPLOYMENT_NAME,
messages=[
{"role": "system", "content": system_prompt},
{"role": "user", "content": user_prompt}
],
temperature=0.2
)
mapping_result = response.choices[0].message.content
# 4. JSONブロックを抽出(改善版)
match = re.search(r"```json\s*(\[.*?\])\s*```", mapping_result, re.DOTALL)
# fallback: try extracting just JSON array if triple-backtick block not found
if not match:
match = re.search(r"(\[\s*\{.*?\}\s*\])", mapping_result, re.DOTALL)
if match:
raw_mapping_json = json.loads(match.group(1))
else:
raise ValueError("⚠️ JSON形式が抽出できませんでした。")
def expand_placeholder_in_context(placeholder, context, window=5):
# placeholderがcontext内のどこにあるか取得
pos = context.find(placeholder)
if pos == -1:
return placeholder
start = pos
end = pos + len(placeholder)
# 前方向に拡張
for i in range(1, window + 1):
if start - i < 0:
break
c = context[start - i]
# 空白や記号なら拡張、それ以外で停止
if re.match(r'[ \-―‐─-–—=()()<><>、。.,]', c):
start -= 1
else:
break
# 後方向に拡張
for i in range(window):
if end + i >= len(context):
break
c = context[end + i]
if re.match(r'[ \-―‐─-–—=()()<><>、。.,]', c):
end += 1
else:
break
expanded = context[start:end]
return expanded.strip()
# 空白だけ・意味薄プレースホルダーの補正を実行
for item in raw_mapping_json:
placeholder = item["placeholder"]
context = item.get("context", "")
if re.fullmatch(r'[ ]+', placeholder) or not re.search(r'[\w一-龯ぁ-んァ-ン]', placeholder):
expanded = expand_placeholder_in_context(placeholder, context)
item["placeholder"] = expanded
# ✅ フィルタ:プレースホルダーが空欄・記号主体のものだけに限定
def is_valid_placeholder(text):
# 全体の7割以上が記号・空白・記号類ならOK
if not text:
return False
clean = re.sub(r'[ \s\-―‐─-–—=()()<><>]', '', text)
return len(clean) / len(text) < 0.3
filtered_mapping_json = [
item for item in raw_mapping_json
if is_valid_placeholder(item["placeholder"])
]
# フィルタ:空白だけの placeholder を context から補完する
def is_meaningful_placeholder(p):
return bool(re.search(r'[\w一-龯ぁ-んァ-ン()()]', p))
for item in raw_mapping_json:
placeholder = item["placeholder"]
context = item.get("context", "")
if not is_meaningful_placeholder(placeholder):
match = re.search(r'([^)]*?)', context)
if match:
item["placeholder"] = match.group(0)
# ✅ CSVのカラムに対応するinput_keyだけ、最初の1つだけ抽出
csv_keys = list(input_data[0].keys())
seen_keys = set()
mapping_json = []
for item in raw_mapping_json:
key = item["input_key"]
if key in csv_keys and key not in seen_keys:
mapping_json.append(item)
seen_keys.add(key)
# 5. input_dataごとに置き換えた形式に整形
output = []
for i, person_data in enumerate(input_data):
person_mapping = {
"person_index": i,
"mapped_fields": []
}
for mapping in mapping_json:
key = mapping["input_key"]
if key in person_data:
person_mapping["mapped_fields"].append({
"placeholder": mapping["placeholder"],
"suggested_field_name": person_data[key],
"csv_column_name": key
})
output.append(person_mapping)
def refine_mappings_with_ai(mappings):
refine_system_prompt = (
"あなたはPDFの空欄(placeholder)と対応データ(suggested_field_name)のペアの整合性をチェックし、"
"不自然なplaceholderがあればより適切な形に修正してください。"
"placeholderは空白と記号の連続部分だけに限定してください。"
"文字起こしデータにない文章は絶対に入れないでください。"
"修正後のリストを以下の形式でJSONで返してください。"
"もし修正不要ならそのまま返してください。"
)
# マッピングを文字列に変換(例:json.dumps)
mappings_text = json.dumps(mappings, ensure_ascii=False, indent=2)
user_prompt = f"""
以下のリストについてチェックしてください。
{mappings_text}
出力形式は元と同じJSON配列です。
"""
response = client.chat.completions.create(
model=DEPLOYMENT_NAME,
messages=[
{"role": "system", "content": refine_system_prompt},
{"role": "user", "content": user_prompt},
],
temperature=0.2,
)
content = response.choices[0].message.content
# JSON部分だけ抽出
match = re.search(r"```json\s*(\[.*?\])\s*```", content, re.DOTALL)
if not match:
match = re.search(r"(\[\s*\{.*?\}\s*\])", content, re.DOTALL)
if not match:
raise ValueError("⚠️ JSON形式が抽出できませんでした。")
refined_mappings = json.loads(match.group(1))
return refined_mappings
def fully_normalize(text):
# 全角→半角正規化 + 空白削除
text = unicodedata.normalize("NFKC", text)
text = re.sub(r'[ ]', '', text)
return text
# 6. AIで最終チェック&調整
final_output = []
for person in output:
refined_fields = refine_mappings_with_ai(person["mapped_fields"])
for field in refined_fields:
field["placeholder"] = fully_normalize(field["placeholder"])
final_output.append({
"person_index": person["person_index"],
"mapped_fields": refined_fields
})
# 7. 出力
with open("output_mapping.json", "w", encoding="utf-8") as f:
json.dump(final_output, f, ensure_ascii=False, indent=2)
print("✅ output_mapping.json を出力しました。(最終チェック済み)")
⑤ python-docxを使って書類生成 (fill_blank_dockFile.py)
最後に、python-docxを使ってWord文書のプレースホルダーをCSVの値で置換します。 OCR精度や表記ゆれを考慮し、正規化処理や空白除去を組み合わせることで、正確なマッチングを実現しています。

import json
import re
from docx import Document
import unicodedata
def normalize_text(text):
"""全角・半角などを揃えるための正規化関数"""
# よくある記号の置き換え(必要に応じて追加)
replacements = {
'·': '・',
'・': '・',
'—': '-', # 長いハイフン → 半角ハイフン
'–': '-', # enダッシュ
'―': '-', # 全角ハイフン
'〇': '○'
}
for src, tgt in replacements.items():
text = text.replace(src, tgt)
return unicodedata.normalize("NFKC", text)
def remove_spaces(text):
"""空白(全角・半角)を削除"""
return re.sub(r'[ ]', '', text)
def fully_normalize(text):
"""正規化 + 空白除去"""
return remove_spaces(normalize_text(text))
def replace_text(doc, placeholder_array, suggested_array):
pattern_map = dict(zip(placeholder_array, suggested_array))
def replace_and_clean(paragraphs):
for para in paragraphs:
original_text = para.text
norm_orig_text = normalize_text(original_text)
norm_no_space_text = remove_spaces(norm_orig_text)
# 正規化・空白除去した docx テキストにおける各文字が original_text の何番目かを記録
mapping = []
i_orig = 0
i_norm = 0
while i_orig < len(original_text):
c = original_text[i_orig]
c_norm = normalize_text(c)
if re.match(r'[ ]', c):
i_orig += 1
continue
for _ in remove_spaces(c_norm):
mapping.append(i_orig)
i_norm += 1
i_orig += 1
for raw_pattern, replacement in pattern_map.items():
normalized_pattern = fully_normalize(raw_pattern)
matches = list(re.finditer(re.escape(normalized_pattern), norm_no_space_text))
if not matches:
continue
for match in matches:
start_norm = match.start()
end_norm = match.end()
try:
start_orig = mapping[start_norm]
end_orig = mapping[end_norm - 1] + 1
original_text = original_text[:start_orig] + str(replacement) + original_text[end_orig:]
para.text = original_text
break
except IndexError:
continue
replace_and_clean(doc.paragraphs)
for table in doc.tables:
for row in table.rows:
for cell in row.cells:
replace_and_clean(cell.paragraphs)
# 入力テンプレート
template_file_name = "input.docx"
# matching.json 読み込み
with open('output_mapping.json', 'r', encoding='utf-8') as f:
data = json.load(f)
# 各人分の Word ファイルを生成
for person in data:
doc = Document(template_file_name)
placeholder_array = []
suggested_array = []
for field in person["mapped_fields"]:
placeholder_array.append(field['placeholder'])
suggested_array.append(field['suggested_field_name'])
replace_text(doc, placeholder_array, suggested_array)
output_file_name = f"contract_filled_{person['person_index']}.docx"
doc.save(output_file_name)
print(f"✅ Saved: {output_file_name}")
今後の展望
現状のシステムでは、「空白部分に括弧付きのプレースホルダーを明示的に入れておく」ことが必要なため、事前情報のない空白への推定補完などは未対応です。
そのため今後は、空白部分の周囲文脈をAIで読み取り、自動で推定値を挿入を検証したいと考えています。
また、テーブル形式の際に全体を構造的に認識し、自動でマッチング・挿入を行うことも展望として挙げられます。



