7-20 テキスト抽出 *V8.0NEW（一部）
- PDFページコンテンツ上のテキストを取得・抽出します。
- 抽出対象範囲は、表示領域内か否かに関係なく、ページコンテンツ全体です。
- 抽出範囲の矩形を指定した場合、矩形内のテキストを取得します。クリッピングされて表示されない部分のテキストも取得対象となります。
- 矩形を複数指定した場合、それぞれの範囲のテキストが抽出されます。 *V8.0NEW
- 注釈やPDFフォームデータなどのテキストは抽出対象になりません。
[各オプションについて]
- 「取得順」オプション
- 取得したテキストをそのまま抽出します。このため、見た目とは異なる順序で抽出される場合があります。
- 以下の「ソート」オプションとどちらかを選択します。
- こちらがデフォルトです。
- 「ソート」オプション
- テキストを座標順にソートします。
- 抽出対象が欧文の場合、単語間に空白(スペース)を挿入します。単語のかたまりとして判定できなかった場合、次の単語との間に空白が入らず続いた状態で抽出されます。
- 行末の「ハイフン（-）」を、単語が2行にわたっている場合に表記されるものとみなして削除します。
- 「改行コード挿入」オプション *V8.0NEW
- テキスト抽出時に行を判定し末尾に改行コード「0x0D 0x0A」を挿入します。「ソート」オプションとともに指定することで動作します。
- 縦書き文書に対しても処理ができます。
- 抽出範囲のテキストの並びが、段組み、縦横が混在しているなどテキストの方向が一定でない場合は、期待する位置に改行コードの挿入は行われません。
- 「特定文字の削除・スペース置換をする」オプション
- 特殊なスペース文字やハイフンなどに対し、抽出時に削除、またはスペースに置き換える処理をします。
- 処理対象の文字種別はフラグ指定により、複数の同時指定が可能です。
- 「指定されたユニコード文字を削除する」オプション
- 指定されたユニコードの文字を削除します。したがって該当の文字は抽出されません。ユニコード文字の指定がない場合、削除は行われません。
- 「同じ行にある文字とみなすしきい値」オプション
- 文字と文字がどれだけ重なっていると同じ行とみなすか、その割合を設定します。この設定は、座標でソートする場合に有効です。
- 「同じ文字が重なっているとき抽出から除外するしきい値」オプション
- 同じ文字が重なっているとき、文字と文字がどれだけ重なっているときに取り除くか、その割合を設定します。この設定は、座標でソートする場合に有効です。
- 「違う文字が重なっているとき抽出から除外するしきい値」オプション
- 違う文字が重なっているとき、文字と文字がどれだけ重なっているときに取り除くか、その割合を設定します。重なっていると判定したとき、先に現れた文字、つまり、重なりの下になっている文字が取り除かれます。この設定は、座標でソートする場合に有効です。
- 「文字が矩形内にあるとみなすしきい値」オプション
- 文字が抽出範囲の矩形とどれだけ重なっているときに抽出対象とするか、その割合を設定します。
- 「ActualTextを無視する」オプション
- 異体字などで文字を置き換えるActualTextがあった場合に無視して元PDFに描画された文字を抽出します。
[「ソート」オプションに関する注意事項]
- ２段以上に段組みされたページに対して「ソート」オプションで抽出しても段ごとにテキストは抽出されません。これは段をまたいでソートを行うためです。１段ずつ抽出範囲の矩形指定をすることで段ごとに抽出できるようになります。
- 縦書き、横書きが混在したページに対して「ソート」オプションで抽出しても期待通りにテキスト抽出できません。「ソート」オプションを利用するには、縦書きのみ、横書きのみとなるよう抽出範囲を指定してください。
- 異なった文字サイズが混在している場合など１行と認識できないとき、期待通りに抽出されません。
