PDFからテキストを取り出したいときに使えるテクニック

ツールの座標系

まず一点目は、使うツールの座標系です。矩形の座標値が次の図のように「左上（６，８）―右下（10，14）」としてあたえられたとき、その矩形の範囲はどこになるでしょうか。

これは、座標値だけでは決まらず座標系によります。具体的には、原点の位置、x/y軸の方向、長さの単位、ページの回転によります。

図の右と左の例では、長さの単位や、原点位置が違いますので、同じ座標値でも実際の矩形の位置は変わってきます。

さきほどの弊社の製品の例では、PDFビューアーとテキスト抽出コマンドでは、長さの単位と、原点位置が違います。

ビューアーでしらべた座標値を、コマンドの座標系にあわせて、次の図のように変換して、それをコマンドにわたしています。

このように使うツールの座標系に注意する必要があります。

フォントのグリフの範囲

次のフォントのグリフについての注意点です。

こちらの例で「５００」の数字を取得したいとしましょう。

黒枠をテキスト範囲として設定します。これで問題ないように思いますが、しかし、実際にはテキストが抽出できません。文字はフォントのグリフで表現されており、グリフの範囲は見かけ上の文字よりも大きい場合があります。□の枠で囲った部分を拡大し、またグリフを赤枠で表示すると次の図のようになります。

この例では、グリフが含まれるように範囲を指定する必要があり、大きな赤枠の範囲を指定するとうまく行きます。このようにグリフを意識して、範囲を指定する必要があります。

PDFに含まれる文字

次に、PDFに含まれる文字についての注意点です。PDFに実際にデータとして入っている文字は、見かけとは異なる場合があります。

上の図で１つ目の例は、見えない空白文字です。この場合空白文字も抽出されるので、余分な文字として除去する必要があります。

また、２つ目の例は、見かけのデータの順序が違う場合です。この例では、見かけ上は「2021年7月21日」とみえますが、実際には年月日のあとに日付の数字が取れてしまいます。見かけだけではなく、PDFに含まれる文字データを意識してテキストの位置を決める必要があります。

データの個数が変わる

まず一つ目は、取得したいデータの個数が変わる場合です。

次の例は見積書などの明細部分です。内容によってデータの数が変化します。

このような場合には、データの個数が最大の場合を考えて、すべてのデータが取れるように位置を指定する事で対応できます。

複数ページに跨る

次の例は、データが複数のページに跨る場合です。

拡大すると次の図のようなフォーマットになっています。ここでは、受診日、氏名、支払金額を取りたいとします。

このような場合にも、データが最大の場合を考えて、取得する範囲を指定することで対応できます。ただし、帳票によっては、中間や最終ページでレイアウトが変わる場合があるので、注意が必要です。

出現するページが変わる

次はデータが出現するページが変化する場合です。さきほどの帳票の例で、何名か分のデータが連結されているデータです。

ここで、Bさんのデータを取り出したいとします。開始ページが決まれば、さきほどの要領でBさんのデータが取得できますが、Aさんのデータ内容によってBさんの開始ページが変わってしまいます。

このような場合は、①先頭ページにしかないキーワード、②最終ページにしかないキーワード、③同一データで共通のキーワード、を探して、ページの区切りを判定します。

例では、「受診記録」は最初のページのみ、「氏名：A」は同一データで共通、

「申請書に添付してください」は最終ページのみのデータです。

ページ内の位置が変わる

次は、ページ中のテキスト位置が変わる場合です。

この例では黒い文字の行数が内容によって変わります。氏名と順位を取得したいのですが、赤い枠の固定の位置だと右の場合にはうまくいきません。

このような場合は、文字列検索でキーとなる文字の位置を調べて、そこからの相対位置を指定するとうまくいきます。

例では氏名で縦の位置をしらべて、そこからの相対位置を予め指定しておき、実際のデータでＨを決定してテキストを抽出します。

以上で、レイアウトが変化する場合の、テキスト抽出の工夫についてご紹介しました。