Amazonの複数商品注文スクリーンショットは
乱雑に見える — それでもクリーンなデータを取得できる理由

なぜ複数商品のAmazonスクリーンショットが一見絶望的に見えるのか

この種のスクリーンショットが自動解析不可能に見える具体的な理由を挙げてみましょう。これらは漠然とした問題ではなく、従来の抽出方法がつまずく具体的な障害です。

灰色の区切り線。 Amazonは注文サマリーページの各商品行の間に細い灰色の水平線を引いています。テキスト領域を検出し、それらを意味のあるグループにまとめようとする従来のOCRエンジンにとって、これらの線は境界線のように見えます。各商品を独立したテキストゾーンとして扱うため、分割されたゾーン同士の関係を推測しなければなりません。ゾーン2の右端にある価格はゾーン2に属するのか、ゾーン3に属するのか。OCRにはそれを判断する方法がありません。

省略された商品名。 「Logitech G502 X PLUS LIGHTSPEED Wireless Gaming Mouse with HERO 25K Sensor...」——しかしスクリーンショットでは「Logitech G502 X PLUS LIGHTSP...」と表示され、省略記号が続きます。この省略されたテキストは、左から右へ完全な行を読み取ることに依存するシステムを混乱させます。行ベースのパーサーは短縮された名前を認識しますが、行が単語の途中で途切れているため、次の列がどこから始まるのか分からなくなります。

サードパーティー出品者バッジ。 Amazonが直接販売していない商品には、商品名の下に小さなフォントで「出品者：[出品者名]」と表示されます。このテキストは2つの商品行の間にありますが、前の行に属し、次の行には属しません。単純な抽出ではこれを別の行として扱うか、さらに悪いことに次の商品のデータに追加してしまいます。どちらにせよ、出力は間違ったものになります。

数量と価格の配置。 Amazonの注文ページでは、数量は商品名の横に「数量：1」と表示され、価格は右端に表示されます。従来のOCRは価格を右余白に浮かぶ独立した数字として抽出し、どの商品に属するかを推測する必要があります。7つの価格と7つの商品名が同じ視野に散らばっている場合、照合の問題は行が増えるごとに複雑化します。

これらの問題は個別には致命的ではありません。しかし、これらが組み合わさることで、密度の高い複数商品のスクリーンショットは、「これは複雑すぎるから手入力しよう」と言わせるまさにその種のデータ抽出の課題に変わります。

ピクセルを読むこととページを読むことの違い

従来のOCRとビジュアルAIは、同じ画像に対して根本的に異なるアプローチを取ります。その違いが最も顕著になるのは、入力データが視覚的に密集している場合です。

OCRエンジンは文字単位で動作します。文字の形を見つけ、単語にまとめ、近接性に基づいてテキストブロックにグループ化し、それらのブロックから構造を推測しようとします。しかし、OCRが依存する視覚的な手がかり（明確な列の境界、途切れのないテキスト行、一貫した間隔）が存在しないか曖昧な場合、結果はめちゃくちゃなデータになります。

視覚言語モデル（VLM）は異なる動作をします。スクリーンショット全体を、一貫性のあるシーンとして扱います。これは、私たちが写真を見て、どのオブジェクトが互いに近くにあり、どれが離れていて、それらが空間的にどのように関連しているかを即座に理解するのと同じです。灰色の線はテキスト領域の境界ではなく、新聞のコラム間の余白のような視覚的な区切りです。省略された名前は不完全な行ではなく、表示フレームを超えて続くタイトルであり、VLMは表示されているデータを正しい行に結びつけることができます。

ImageToTable.aiは、この種のビジュアルAIを使用しています。複数の商品が含まれるAmazonのスクリーンショットを与え、「商品名」「数量」「価格」の3列を指定すると、スプレッドシートスキャナーのようにページを解析しようとはしません。画像を全体的に見て、視覚的な境界（灰色の線はノイズではなく強力なシグナルです）を手がかりに個々の行領域を特定し、各領域内のテキストを指定された列にマッピングします。

従来のOCRを混乱させる灰色の区切り線は、VLMベースの抽出にとって信頼できる構造的なアンカーとなります。システムは次のように認識できます。「この灰色の線は行1の終わりを示している。その上のすべては商品1に属する。その下の、次の灰色の線までのすべては商品2に属する。」これは推測ではなく、人間の読者と同じようにページレイアウトを読み取っているのです。ただ、それを機械の速度で行っているだけです。

同じロジックは、明細行とページ合計を区別する場合にも当てはまります。「小計」「配送料」「注文合計」などは、最後の商品行の下にあり、多くの場合、異なる書式（太字や異なる背景色）で表示されます。VLMはこれらを追加の商品ではなく、集計行として認識します。これらを無理に「商品名」列に押し込もうとはしません。

具体的なウォークスルー：Amazonの1つの注文に7つの商品

具体的に見ていきましょう。Amazonの確認ページの実際のスクリーンショットを想像してください。7つの異なる商品が含まれる1つの注文です。各行の内容と、抽出がどのように行われるかを説明します。

各課題がどのように処理されたかに注目してください：

• 灰色の区切り線 — 各行の境界は、商品間の視覚的な区切りによって識別されました。VLMはこれらを信頼性の高い行マーカーとして使用しました。
• 省略された商品名 — 2、3、4、7行目は、いずれも商品名が"..."で終わって短縮されています。それでもAIは、各価格と数量を正しく親行に関連付けました。これは、ページ内のテキストの垂直位置という空間的な関係が明確だったためです。
• サードパーティー出品者バッジ — 3行目の「Amazon.co.jpが販売」ラベルは、商品3のサブ要素として認識され、別のレコードとしては扱われませんでした。
• 行内の数量 — 4行目の「数量 2」は正しく読み取られ、Anker充電器に割り当てられました。また、$14.99が2つの合計ではなく単価であることもAIは理解しました。
• 集計行 — 小計、配送料、注文合計は、商品リストから正しく除外されました。これらは書式と位置が明らかに異なり、VLMはそれらをメタレベルの情報として認識しました。

結果は、きれいな7行のテーブルです。これは、支出を追跡したり、ルームメイトと費用を分割したり、ビジネス記録として注文を記録したりする場合に、まさに必要なものです。

ワークフローへの影響

上記の具体的な手順で証明されたのは、複数商品を含むAmazonのスクリーンショットの視覚的な乱雑さは、適切な抽出ツールにとって障害にはならないということです。灰色の区切り線、省略、出品者バッジなどは、VLMが容易に見抜く表面的なノイズに過ぎません。

Amazonの注文スクリーンショットから明細データを確実に抽出できるようになると、何が変わるのでしょうか？

スクリーンショット1枚1枚を、単発の手動データ入力作業として扱う必要がなくなります。 Amazonの注文ページを開き、商品をセルごとにスプレッドシートに入力し、数字を再確認する代わりに、スクリーンショットをImageToTable.aiにアップロードし、必要な列を指定するだけで、数秒でテーブルが返ってきます。手動で入力すると2～3分かかる7行のデータが、10秒未満で抽出されます。

繰り返し発生するシナリオこそが価値あるものになります。 スクリーンショット1枚なら手入力も可能です。しかし、毎月の日用品のAmazon注文、複数のAmazonアカウントで毎週注文する転売業者、5人のクライアントからAmazonの領収書を受け取るフリーランスの経理担当者ではどうでしょうか？ 規模が大きくなり、週に12件以上の複数商品注文を処理する場合、手動入力は大きな時間のロスになります。自動抽出により、持続可能な運用が可能になります。

抽出したデータを他のソースと組み合わせることができます。 商品名、数量、価格の各列は、支払い確認書、仕入先請求書、経費報告書と同じスプレッドシートに統合できます。すでにImageToTable.aiを使って他の種類の文書からデータを抽出しているなら、Amazonの複数商品注文を同じワークフローに追加することは、同じシステムが処理するもう1つの入力形式に過ぎません。

実際のツールを使った完全なステップバイステップガイドについては、関連記事「Amazon Orders with Multiple Items: How to Extract Each Item Name, Quantity, and Price from a Single Screenshot」をご覧ください。その記事では実践的なワークフローを説明していますが、本記事はそもそもそれが可能かどうかという疑問に答えるためのものです。

よくある質問