JP2005536783A - ｐｄｆドキュメントのセクション抽出ツール - Google Patents

Abstract

ポータブルドキュメントフォーマットファイル（「ｐｄｆ」）からページのセクションを抽出する方法。本方法は、ｐｄｆファイルページ（２００）上のユーザ定義領域（４５０ａ）の指示を受け取ること（３１０）、前記ユーザ定義領域内にあると決定されたすべての要素（４５１〜４５４）を含む抽出領域（４５０ｂ）を指定すること（３３０）、前記抽出領域を新規ファイルに配置すること（３４０）、とを含む。本方法は、要素のバウンディングボックス（２１１、２２１、２３１、２４１）が前記元のｐｄｆドキュメントおよび前記抽出領域における前記ユーザ定義領域（４５０ａ）内にあるか否か、またはこれと交差するか否かに基づく包含ルールをビットマップイメージに適用し、該２つのビットマップイメージをビット単位で比較することにより、前記ｐｄｆページ上の１つまたは複数の要素（２１０、２２０、２３０）が前記ユーザ定義領域（４５０ａ）内にあるか否かを決定すること（３０２）を含むこともできる。

Description

本発明は、包括的には電子データファイルに関する。特に、本発明は、ポータブルドキュメントフォーマットのドキュメントからのセクション抽出に関する。

電子ファイルは様々な技法を使用して作成することが可能である。そのため、様々なユーザに対してアクセス可能にすることができるように、電子ファイルの作成に使用されるプロセスから独立したフォーマットで電子ファイルからのデータを格納することが望ましいことがある。このようなアクセスが可能な一フォーマットがポータブルドキュメントフォーマットである。ポータブルドキュメントフォーマット（「ｐｄｆ」）は、ドキュメントの作成に使用されたアプリケーションソフトウェア、ハードウェア、およびオペレーティングシステムから独立して、またそのファイルが表示またはプリントされる出力装置から独立してドキュメントを表すファイルフォーマットである。

ＰＤＦワークフローでは、ＰＤＦファイルが最終表現にレイアウトされた表現を含む、すなわち論理的な構造情報が保存されない一方向生成プロセスを前提としている。したがって、ｐｄｆフォーマットのドキュメントの格納に伴う一課題は、意味論的結合性を有する要素が１つの論理的な要素群として格納されないため、ドキュメントの部分を再使用することが難しいことである。元の編集可能なドキュメントを属性としてＰＤＦファイルに格納することが可能であるが、いずれにしてもｐｄｆドキュメント作成の元のプログラムを利用することができないことから、またはこれによってコンピュータウィルスへの脆弱性が持ち込まれることから、これは一般的に行われない。元の編集可能なドキュメントがない場合、別のドキュメントまたはファイルで使用するためにｐｄｆドキュメントの一部を取り出すことは容易には実現されない。たとえば、ユーザがｐｄｆドキュメントからのグラフまたはチャートをユーザが各自で作成したドキュメント中に挿入するのが望ましいか、あるいはそのグラフまたはチャートを使用してスライドプレゼンテーションを作成するのが望ましい場合がある。ＰＤＦの仕様では構造的な情報を含むことができるが、サイズの制約および／または作成プロセスによりこのような構造的な情報とともに作成されるｐｄｆドキュメントはほとんどない。したがって、大半のｐｄｆドキュメントは一般的に、ドキュメントの中味の共有または再利用に対応しておらず、一般的に、ＰＤＦからの一体オブジェクトとして章から図、イラスト、または段落を抽出することは不可能である。

ｐｄｆドキュメントの中味を再利用するのに利用できる技法がいくつかある。しかし、これらプロセスによっては複雑であり、多大なユーザとの対話を必要とするものもあれば、ディスプレイビットマップから選択されたドキュメント部分のラスタ表現を抽出し、その結果元のドキュメントのすべての構造および属性の情報、ならびに解像度が失われるものもあり、解像度は通常、画面解像度７２ｄｐｉに制限される。

本発明の一実施形態の態様は、ポータブルドキュメントフォーマット（「ｐｄｆ」）ドキュメントの一つのセクションを抽出する方法を提供することである。

一実施形態では、本方法は、ｐｄｆファイルページ上のユーザ定義領域の指示を受け取ること、ｐｄｆページ上の各要素がユーザ定義領域内にあるか否かを決定すること、ユーザ定義領域内にあると決定されたすべての要素を含む抽出領域を指定すること、および抽出領域を新規ｐｄｆファイルに配置することを含み得る。

当業者は、以下に列挙する図面を参照しながら以下の好ましい実施形態の詳細な説明を読むことで、本発明の各種実施形態のこれらおよび他の利点および恩恵を理解するであろう。

本発明の別の態様は、正確性について抽出された領域をチェックすることを含む。一実施形態では、抽出された領域および元のドキュメント中の領域の両方をビットマップイメージに変換し、ビット単位で比較することができる。

本発明を、同様の参照番号が同様の要素を示す添付図面において限定ではなく例として示す。

以下の詳細な説明では、本発明の完全な理解を提供するために多くの具体的な詳細が記される。しかし、当業者には明らかであるように、こういった具体的な詳細を本発明の実施に使用する必要はない。一方で、本発明を不必要に曖昧にしないように、既知の構造、インタフェース、およびプロセスについては詳細に示さなかった。

図１は、抽出ツールの一実施形態を示すブロック図である。抽出ツール１００は、入力／出力モジュール１１０、セクション決定モジュール１２０、メモリモジュール１３０、ドキュメント作成モジュール１４０、検証モジュール１５０、および処理モジュール１６０を備えることができる。モジュール１１０〜１６０は、概念的な目的のためだけに抽出ツール１００内に配置されて示されている。他の実施形態では、モジュール１１０〜１６０の１つまたは複数が抽出ツール１００外に存在し、抽出ツール１００が必要に応じて呼び出してもよい。

入力／出力モジュール１１０は、ポータブルドキュメントフォーマットファイルのセクションを抽出する命令等、ユーザからの命令を受け入れることができる。こういった命令としては、ユーザが新規ｐｄｆファイル等の新規ドキュメントに抽出したいｐｄｆファイルのセクションを縁取るように枠または他の形状を描画することを含むことができる。入力／出力モジュール１１０は、たとえば、図３に関連して以下に述べるように、抽出の正確性に関するメッセージをユーザに提示するなど、抽出の実行に関する命令またはメッセージをユーザに提示することもできる。

セクション決定モジュール１２０は、ｐｄｆファイルのどの要素を新規ドキュメントに包含すべきかを決定することができる。たとえば、ユーザ定義領域に要素の一部が含まれる場合、セクション決定モジュール１２０は包含規則を適用して、その要素を新規ドキュメントに抽出する領域に含めるべきか否かを判定することができる。

メモリモジュール１３０は、イメージ情報、データ、命令、またはｐｄｆファイルのセクションの抽出に使用可能な他のあらゆる情報の格納に使用することができる。たとえば、メモリは、ユーザ定義領域を格納するために使用することができるが、セクション決定モジュール１２０がどの要素を抽出領域に含めるかを判定することができる。

ドキュメント作成モジュール１４０は、セクション決定モジュール１２０によって決定された領域中の要素を新規ドキュメントに抽出することによって、新規ドキュメントを作成することができる。一実施形態では、新規ドキュメント作成モジュール１４０は、抽出領域中の要素を新規ｐｄｆファイルに抽出することができる。

検証モジュール１５０は、ドキュメント作成モジュール１４０によって作成された新規ドキュメントにおける抽出領域の正確性を検証することができる。一実施形態では、検証モジュール１５０は、図３に関連して以下に述べるように、元のドキュメントおよびドキュメント作成モジュール１４０によって作成された新規ドキュメントをビットマップイメージに変換して比較することができる。

処理モジュール１６０は、モジュール１１０、１２０、１４０、および１５０から受け取った命令を使用して図３に関連して以下に述べるプロセスを実行することができる。たとえば、処理モジュール１６０は、セクション決定モジュール１２０から受け取った包含規則に基づいて、ユーザ定義領域のサイズを増大することができる。包含規則の一例は、ユーザ定義領域に交差する要素はすべて完全に含めるというものである。

図２は、ｐｄｆドキュメントの構造の一例を示す。ｐｄｆドキュメント２００は、テキスト要素（複数可）２１０、グラフィック要素（複数可）２２０、およびイメージ要素（複数可）２３０を含み得る。テキスト要素（複数可）２１０は、同じ属性を有するキャラクタが繋がったものであるテキストランからなる。テキストラン要素２４０はテキストランの表現である。グラフィック要素２２０は、一連の直線、矩形、および三次ベジェ曲線で構成される任意の形状である。イメージ要素２３０は、行または列でイメージ矢印(image arrow)をスキャンすることによって得られるピクセルシーケンスである。各要素２１０、２２０、２３０は、それぞれに対応するバウンディングボックス２１１、２２１、２３１内に存在することができる。

バウンディングボックスはドキュメント中のオブジェクトを取り巻く矩形であり、ページ上のオブジェクトを完全に囲む最小の矩形を指すことができる。各要素のバウンディングボックスの位置およびサイズは、たとえば、ＡＤＯＢＥのＡＣＲＯＢＡＴ（登録商標）ソフトウェア開発ツールキットアプリケーションプログラマインタフェースを通して得ることができ、ここでバウンディングボックスは、要素の包含を保証するが、必ずしも要素を含む最小の枠ではない。抽出結果の正確性を高めるために、要素を含む最小のバウンディングボックスになるようにバウンディングボックスを変更することができる。たとえば、矩形形状のグラフィック要素の場合、バウンディングボックスを矩形自体の輪郭になるように変更することが可能である。

バウンディングボックスは、ドキュメントの閲覧者には不可視である。例示的なｐｄｆドキュメント２００では、テキスト要素２１０はバウンディングボックス２１１内に存在し、各グラフィック要素２２０は関連するバウンディングボックス２２１内に存在し、２３０における各イメージ要素は関連するバウンディングボックス２３１内に存在する。図３は、ポータブルドキュメントフォーマット（「ｐｄｆ」）ページのセクションを抽出する方法の例示的な一実施形態を示す流れ図である。図３に関して説明するプロセスは説明するステップをすべて必要とするわけではなく、ステップの順序は設計に応じて可変であることは理解されよう。

ステップ３１０において、実行ツール１００は、抽出するｐｄｆページのユーザ定義領域の指示を受け取る。一実施形態では、ユーザは、自分が関心のある領域の周囲に矩形または他の形状を描画して抽出領域を特定することができる。このような矩形または形状は選択マーキーと呼ばれる。一実施形態では、ユーザはオブジェクト認識ツールを使用して抽出領域を特定することができる。一実施形態では、ユーザはＡＤＯＢＥのＡＣＲＯＢＡＴ（登録商標）において提供されるグラフィック選択ツールを使用して、関心のある領域を描画することができる。次に、ユーザはメニューまたはツールバーから抽出ツール１００のモジュール１６０の抽出処理アイコンをクリックすることができる。一実施形態では、オブジェクト認識ツールは入力／出力モジュール１１０の一部である。

ステップ３２０において、抽出ツール１００は、元のｐｄｆページのどの要素が、入力／出力モジュール１１０を通して受け取った、抽出するユーザ定義領域内にあるかを判定することができる。一実施形態では、セクション決定モジュール１２０が、元のｐｄｆのどの要素が抽出するユーザ定義領域内にあるかを判定する。要素のバウンディングボックス２１１、２２１、２３１はユーザから見えず、実際の要素よりも大きい場合もあるため、ユーザが選択した関心のある領域に、要素のバウンディングボックスすべてが含まれていない場合がある。したがって、セクション決定モジュール１２０は包含（あるいは、除外）規則を適用して、関心のあるユーザ定義領域に基づいていずれの要素を抽出すべきかを判定することができる。

一実施形態では、包含規則は要素のタイプに基づくものであり得る。たとえば、グラフィック要素２２０またはイメージ要素２３０は、それぞれのバウンディングボックス２２１、２３１の全体がユーザ定義領域内にある場合にのみ抽出領域内にあると判定することができる。したがって、グラフィック要素２２０またはイメージ要素２３０のバウンディングボックス２２１、２３１がユーザ定義領域と交差するが、ユーザ定義領域内に完全には入っていない場合、そのグラフィック要素２２０またはイメージ要素２３０は抽出プロセスに含まれないことになる。

一実施形態では、テキスト要素２１０またはテキスト要素２１０の一部を、そのバウンディングボックス２１１のすべてまたは一部が関心のあるユーザ定義領域と交差する場合、抽出領域に含めることができる。一実施形態では、テキスト要素２１０のバウンディングボックス２１１がユーザ定義領域と交差する場合、セクション決定モジュール１２０は、テキスト要素２１０の下位要素またはテキストラン要素２４０がユーザ定義領域内にあるか否かを判定することができる。テキストラン要素のバウンディングボックス２４１が完全にユーザ定義領域内にある場合、またはテキストラン要素のバウンディングボックスのいずれかの部分がユーザ定義領域と交差する場合、関心のあるユーザ定義領域は、抽出領域中のテキストラン要素のバウンディングボックス全体を含むように拡張することができる。

テキストラン要素２４０のバウンディングボックスは時に、テキスト自体よりもはるかに大きいことがあるため、ユーザ定義領域にテキストラン要素２４０のバウンディングボックス全体が包含されない場合がある。したがって、関心のあるユーザ定義領域と交差するテキストラン要素２４０をいずれも包含することは、ユーザによって抽出すると選択された要素をすべて包含することに役立つ。

ステップ３３０において、抽出ツール１００は抽出領域を指定することができる。決定ステップ３２０の終わりにおいて、抽出に含めると決定されたすべての要素を含めるように抽出領域を定義することができる。

ステップ３４０において、抽出ツール１００は抽出領域を新規ファイルに配置することができる。一実施形態では、ドキュメント作成モジュール１４０は第２のｐｄｆドキュメントを作成し、抽出された領域を第２のｐｄｆに挿入することができる。別の実施形態では、ドキュメント作成モジュール１４０は、抽出領域をすでに存在する第２のｐｄｆ、またはデスクトップパブリッシングソフトウェアドキュメント（たとえばＡＤＯＢＥのＦＲＡＭＥＭＡＫＥＲ（登録商標）またはＡＤＯＢＥのＩＮＤＥＳＩＧＮ（登録商標）ドキュメント等）に挿入してもよい。一実施形態では、ユーザが選択された領域の抽出を要求するときに、抽出領域を挿入し得るファイルを選択するようユーザに求めることができる。

ステップ３５０において、抽出ツール１００は、元のファイル中のユーザ定義領域からの相違について第２のｐｄｆドキュメントに抽出された領域をチェックすることができる。一実施形態では、検証モジュール１５０が、ステップ３３０において定義された元のドキュメント抽出領域を第１のビットマップイメージに、また第２のｐｄｆドキュメントの抽出領域を第２のビットマップイメージに変換することによって、第２のｐｄｆドキュメントの正確性を検証することができる。２つのビットマップを位置合わせした後、検証モジュール１５０は次に、第２のビットマップイメージを第１のビットマップイメージにビット単位で比較することができる。

２つのイメージの間に相違がある場合、抽出ツール１００は、入力／出力モジュール１１０を通してメッセージをユーザに提示することによってその相違をユーザに通知することができる。たとえば、抽出ツール１００は検証メッセージを第２のｐｄｆドキュメントに添付して、第２のｐｄｆドキュメントに配置された抽出イメージと元のｐｄｆドキュメントにおいて定義された抽出領域との間に相違があることをユーザに知らせることができる。

図４は、抽出領域決定プロセスの一例を示すブロック図である。ドキュメント４０１は、グラフィックまたはイメージ要素４５２〜４５４およびテキスト要素４５１を含み得る。ユーザがユーザ定義領域４５０ａを示した後、ユーザ定義領域がセクション決定モジュール４２０に入力される（４１０）。セクション決定モジュール４２０は、ドキュメント４０１のどの要素をユーザ定義領域内に包含すべきかを判定する。図示のように、テキストラン要素４５１はユーザ定義領域４５０ａに交差するだけであるが、ユーザ定義領域４５０ａは、抽出領域４５０ｂが指定される（３３０）とき、テキストラン要素４５１を包含するように拡張される。

記載したユーザ定義領域を抽出する方法では、ユーザがｐｄｆドキュメント中の領域を選択し、またその領域を抽出するオプションを選択することが可能である。抽出ツール１００は、ユーザからの対話をそれ以上必要としない。ツール１００は、複雑なプロセスに頼る、または実行する必要なく、ユーザがｐｄｆドキュメントの選択した中味を再使用できるようにする。

上記ステップ３１０〜３５０は、コンピュータプログラムにコンパイルすることができる。こういったコンピュータプログラムは、アクティブおよび非アクティブ両方の様々な形で存在してよい。たとえば、コンピュータプログラムは、ソースコード、オブジェクトコード、実行可能コード、または他のフォーマットのプログラム命令またはステートメントからなるソフトウェアとして存在してもよい。上記はいずれも、圧縮された形または圧縮されていない形で、記憶装置および信号を含むコンピュータ可読媒体で具現することができる。例示的なコンピュータ可読記憶装置としては、従来のコンピュータシステムＲＡＭ（ランダムアクセスメモリ）、ＲＯＭ（読み取り専用メモリ）、ＥＰＲＯＭ（消去可能プログラム可能ＲＯＭ）、ＥＥＰＲＯＭ（電気的消去可能プログラム可能ＲＯＭ）、および磁気または光学または磁気光学ディスクまたはテープが挙げられる。例示的なコンピュータ可読信号は、搬送波を使用して変調されているか否かに関わらず、コンピュータプログラムをホストまたは実行しているコンピュータシステムがアクセスするように構成可能な信号であり、インターネットまたは他のネットワークを通してダウンロードされる信号を含む。上記の具体例としては、ＣＤ ＲＯＭでの、またはインターネットでのダウンロードを介してのコンピュータプログラムの実行可能ソフトウェアプログラム（複数可）の配布が挙げられる。ある意味では、抽象エンティティとしてインターネット自体がコンピュータ可読媒体である。同じことがコンピュータネットワーク全体についても言える。

この発明を特定の実施形態と併せて説明したが、多くの代替、変更、および変形が当業者に明らかになるであろうことは明白である。こういった変更および他は、本発明の精神および範囲から逸脱することなく行うことが可能である。

抽出ツールの一実施形態を示すブロック図。 ポータブルドキュメントフォーマットのドキュメントの構造の一例を示す図。 ポータブルドキュメントフォーマットページのセクションを抽出する方法の例示的な一実施形態を示す流れ図。 抽出領域決定プロセスの一例を示すブロック図。

Claims (10)

1. ポータブルドキュメントフォーマット（ｐｄｆ）ファイルからページのセクションを抽出する方法であって、
   ｐｄｆファイルのページ上のユーザ定義領域の指示を受け取るステップと、
   前記ｐｄｆファイルのページ上の１つまたは複数の要素が前記ユーザ定義領域内にあるか否かを判定するステップと、
   前記ユーザ定義領域内にあると判定されたすべての要素を含む抽出領域を指定するステップと、
   前記抽出領域を新規ファイルに配置するステップと、
   を含むページのセクションを抽出する方法。
2. 前記１つまたは複数の要素が前記ユーザ定義領域内にあるか否かを判定するステップは、要素タイプに基づいて抽出判定規則を各要素に適用することを含む、請求項１記載のページのセクションを抽出する方法。
3. 前記要素タイプは、グラフィック要素、イメージ要素、およびテキスト要素のうちの少なくとも１つを含む、請求項２記載のページのセクションを抽出する方法。
4. 前記抽出決定規則を適用することは、
   グラフィック要素のバウンディングボックスが前記ユーザ定義領域内にあるとき、前記グラフィック要素を前記抽出領域内に含めるステップと、
   イメージ要素のバウンディングボックスが前記ユーザ定義領域内にあるとき、前記イメージ要素を前記抽出領域内に含めるステップと、
   テキスト要素のバウンディングボックスが前記ユーザ定義領域内にあるとき、前記テキスト要素を前記抽出領域内に含めるステップと、
   前記テキスト要素の前記バウンディングボックスが前記ユーザ定義領域と交差するとき、前記テキスト要素の下位要素が前記ユーザ定義領域内にあるか否かを判定するステップと、
   前記下位要素のバウンディングボックスが前記ユーザ定義領域内にあるとき、前記テキスト要素の下位要素を含めるステップと、
   前記テキスト要素の前記下位要素の前記バウンディングボックスが前記ユーザ定義領域と交差するとき、前記テキスト要素の前記下位要素を含めるように前記ユーザ定義領域を拡張するステップと、
   を含む請求項３記載のページのセクションを抽出する方法。
5. 前記新規ファイルにおける前記抽出されたユーザ定義領域の正確性を検証するステップをさらに含む請求項１記載のページのセクションを抽出する方法。
6. 前記新規ファイルにおける前記抽出されたユーザ定義領域の正確性を検証するステップは、
   前記ｐｄｆファイルのページを第１のビットマップイメージに変換し前記新規ファイル中の前記抽出されたユーザ定義領域を第２のビットマップイメージに変換するステップと、
   前記第１のビットマップイメージを前記第２のビットマップイメージとビット単位で比較するステップであって、前記抽出物の正確性を確認する、前記比較するステップと、
   を含む請求項５記載のページのセクションを抽出する方法。
7. 前記ｐｄｆファイルのページ上の前記ユーザ定義領域の指示を受け取るステップは、
   前記ｐｄｆファイルのページ上に描かれたユーザ定義領域の入力を受け取るステップ、および前記ユーザが前記ｐｄｆファイルのページ上に前記ユーザ定義領域を描画したのち、ｐｄｆ画面上のボタンのユーザ選択を受け取るステップ、のうちの一方を含む、請求項１記載のページのセクションを抽出する方法。
8. ポータブルドキュメントファイルのページのセクションを抽出する装置であって、
   プロセッサを備え、該プロセッサが、
   ｐｄｆファイルのページ上のユーザ定義領域の指示を受け取るステップと、
   前記ｐｄｆファイルのページ上の１つまたは複数の要素が前記ユーザ定義領域内にあるか否かを判定するステップと、
   前記ユーザ定義領域内にあると判定されたすべての要素を含む抽出領域を指定するステップと、
   前記抽出領域を新規ファイルに配置するステップと、
   を実施するように構成された装置。
9. 実行可能な命令を含むコンピュータ可読媒体であって、プロセスシステム中に実行されるとき、システムに、
   ｐｄｆファイルのページ上のユーザ定義領域の指示を受け取るステップと、
   前記ｐｄｆファイルのページ上の１つまたは複数の要素が前記ユーザ定義領域内にあるか否かを判定するステップと、
   前記ユーザ定義領域内にあると判定されたすべての要素を含む抽出領域を指定するステップと、
   前記抽出領域を新規ファイルに配置するステップと、
   を含む方法を実施させる、実行可能な命令を含むコンピュータ可読媒体。
10. 前記方法は、前記新規ファイルにおける前記抽出されたユーザ定義領域の正確性を検証するステップをさらに含む請求項９記載のコンピュータ可読媒体。
    

Images