ページ記述言語の解析に基づく多様な文書からの構造化内容情報の抽出

摘要

文書から内容情報を抽出するには，一般に文書のファイル形式に対応した情翻由出フィルタを用いる"情報相出フィルタは文書内のテキスト（コード化文字）を抽出するが，文書に含まれる画像中の文字や図面に線分で描かれた文字などの非コ、－ド化文字は抽出困難であり，抽出した情報に欠損がある"また抽出できる情報はテキストであり，レイアウト情報や，章節や表構造などの文書論理構造が取得できない課題がある．本論文では，これらの課題に対応した文書解析方式を提案する.本方式は，文書を擬似的に印刷処理してプリンタが印刷を行うための情報を格納したページ記述言語のデータを作成し，内部のグラフィック要素を解析することで，文書中に含まれるコ－ド化文字と非コード化文字の情報を漏れなく抽出できる小吏に印刷時のレンダリング情報を解析することで，従来は主に文書画像に適用されていたレイアウト解析方式を電子文書にも適用でき，ファイル形式に依存しない文書論理構造の抽出が可能となる1実験では，ファイル形式の異なる文書画像，電子文書，CAD図面に本方式を適用し，その有効性を確認した．