JP2000251067A

JP2000251067A - 文書解析方法及び装置並びに記録媒体

Info

Publication number: JP2000251067A
Application number: JP11049148A
Authority: JP
Inventors: Masahiko Sakai; 正彦酒井
Original assignee: Sumitomo Metal Industries Ltd
Current assignee: Nippon Steel Corp
Priority date: 1999-02-25
Filing date: 1999-02-25
Publication date: 2000-09-14

Abstract

(57)【要約】【課題】形状が一定でない複数の独立した記事を含む
文書に対して、各記事毎の文字枠を正しく抽出して、各
記事毎の正確な論理構造を抽出する文書解析方法を提供
する。【解決手段】解析対象の文書における文字枠情報を生
成する文字枠生成部１と、文字枠を「見出し」文字枠と
「本文」文字枠とに分類する文字枠分類部２と、同一の
記事に属する可能性がある「見出し」文字枠と「本文」
文字枠との関連付けを判定する関連付け判定部３と、文
字枠の基準点間距離に基づいて同一の記事に属する「見
出し」文字枠と「本文」文字枠との関連付けを決定し
て、解析対象の文書の論理構造を抽出する関連付け決定
部４とを備える。

Description

【発明の詳細な説明】

【０００１】

【発明の属する技術分野】本発明は、文書に含まれる複
数の記事の論理構造を解析する文書解析方法及び装置、
並びに、その解析方法を実施するためのプログラムを記
録した記録媒体に関する。

【０００２】

【従来の技術】既存の印刷物をスキャナで読み込んだ文
書、または、電子印刷物から取り込んだ文書を、コンピ
ュータ上で利用可能とするためには、その文書の形状的
な構造を解析して論理構造を抽出する必要がある。形状
的な構造の解析は、解析対象の文書から文字，図，線な
どを分別して文字枠を抽出する処理を示し、論理構造の
抽出は、抽出した文字枠を見出し，本文，注釈などに分
類し、それらの参照関係を求める処理を示す。

【０００３】特許文書のように構造が比較的限定されて
おり１つの文書が１つの記事で構成されているような場
合には、上述したような文書解析処理は容易に行える。
しかし、このような例では、対象となる文書の自由度が
極めて低いという問題があり、構造が定型でない複数の
記事が含まれている文書に対しても、その解析対象の文
書の構成要素とその位置関係とを予め教えることなく、
文書の形状的な構造の解析及び論理構造の抽出を自動的
に行えるシステムの開発が望まれている。

【０００４】このような文書解析手法の従来例として、
特開平５−94535 号公報に開示された方法がある。この
方法では、解析対象の文書を白ランにより複数の領域に
分割し、分割された領域の形状情報から形状属性を決定
し、その形状属性と形状属性に対応する分類情報とを用
いて分割された領域（文字枠）を分類し、文書の分割さ
れた領域の形状情報を抽出するようにしている。

【０００５】

【発明が解決しようとする課題】しかしながら、特開平
５−94535 号公報に提案された従来の方法では、次のよ
うな問題がある。対象可能である文書が技術論文のみで
ある、横組みされた文書しか解析することができず、縦
組みされた文書には対応できないなど、対象となる文書
の種類が限定される。また、抽出した文字枠間の関連付
けを行えないので、複数の独立した記事を含む文書につ
いて、各記事における見出しと本文との関連付けを行え
ず、各記事毎の論理構造を抽出することができない。

【０００６】本発明は斯かる事情に鑑みてなされたもの
であり、形状が一定でない複数の独立した記事を含む文
書についても、各記事毎の文字枠を正しく抽出でき、各
記事毎の正確な論理構造を抽出することができる文書解
析方法及び装置と、その解析方法を実施するためのプロ
グラムを記録した記録媒体とを提供することを目的とす
る。

【０００７】

【課題を解決するための手段】請求項１に係る文書解析
方法は、文字枠の形態で見出しと本文とを有する記事が
複数含まれている文書の構造を解析する方法において、
解析対象の文書における文字枠を抽出するステップと、
抽出した文字枠を見出しの文字枠と本文の文字枠とに分
類するステップと、分類された文字枠について、同一の
記事に属する見出しの文字枠と本文の文字枠との関連付
けを行うステップとを有することを特徴とする。

【０００８】請求項２に係る文書解析方法は、請求項１
において、前記関連付けを行うステップは、分類された
１つの本文の文字枠に対して関連付け可能な複数の見出
しの文字枠を選定する第１ステップと、選定された複数
の見出しの文字枠の中から関連付け対象の１つの見出し
の文字枠を決定する第２ステップとを含むことを特徴と
する。

【０００９】請求項３に係る文書解析方法は、請求項２
において、前記第２ステップは、前記１つの本文の文字
枠と選定された前記各見出しの文字枠との間の距離を求
めるステップと、求めた距離が最も短い見出しの文字枠
を前記関連付け対象の見出しの文字枠として決定するス
テップとを含むことを特徴とする。

【００１０】請求項４に係る文書解析装置は、文字枠の
形態で見出しと本文とを有する記事が複数含まれている
文書の構造を解析する装置において、解析対象の文書に
おける文字枠を抽出する手段と、抽出した文字枠を見出
しの文字枠と本文の文字枠とに分類する手段と、分類さ
れた文字枠について、同一の記事に属する見出しの文字
枠と本文の文字枠との関連付けを行う手段とを備えるこ
とを特徴とする。

【００１１】請求項５に係る記録媒体は、コンピュータ
にて文字枠の形態で見出しと本文とを有する記事が複数
含まれている文書の構造を解析するためのプログラムを
記録してあるコンピュータでの読み取り可能な記録媒体
において、解析対象の文書における文字枠を抽出するこ
とをコンピュータにさせるプログラムコード手段と、抽
出した文字枠を見出しの文字枠と本文の文字枠とに分類
することをコンピュータにさせるプログラムコード手段
と、分類された文字枠について、同一の記事に属する見
出しの文字枠と本文の文字枠との関連付けを行うことを
コンピュータにさせるプログラムコード手段とを有する
ことを特徴とする。

【００１２】請求項１，４，５の本発明では、解析対象
の文書に含まれる文字枠を抽出し、抽出したそれらの文
字枠を、例えば文字サイズに基づいて見出しの文字枠と
本文の文字枠とに分類する。そして、同一の記事に属す
る見出しの文字枠と本文の文字枠とを関連付ける。これ
らの関連付け結果に応じて、複数の記事毎に論理構造を
抽出する。本発明では、このような関連付け処理を行う
ので、複数の独立した記事を含む文書についても、各記
事毎の文字枠を抽出して、各記事毎の論理構造を抽出す
ることが可能である。

【００１３】請求項２の本発明では、見出しの文字枠と
本文の文字枠とを関連付ける際に、まず、各文字枠の位
置関係などを考慮して、１つの本文の文字枠に対して関
連付け可能である複数の見出しの文字枠を選定し、その
複数の見出しの文字枠の中から最終的に１つの見出しの
文字枠を決定する。よって、効率良く見出しの文字枠と
本文の文字枠とを関連付けることができる。

【００１４】請求項３の本発明では、ある本文の文字枠
に関連付ける見出しの文字枠を決定する際に、両文字枠
間の距離を求め、最も距離が短い見出しの文字枠と本文
の文字枠とを関連付ける。よって、同一の記事に属する
見出しの文字枠と本文の文字枠とを正確に関連付けるこ
とが可能となる。

【００１５】

【発明の実施の形態】以下、本発明をその実施の形態を
示す図面を参照して具体的に説明する。図１は、本発明
の文書解析装置のブロック構成図である。本発明の文書
解析装置は、解析対象の文書の「文字枠情報」を生成す
る文字枠生成部１と、文字枠を「見出し」属性を有する
文字枠（以下、「見出し」文字枠という），「本文」属
性を有する文字枠（以下、「本文」文字枠という）など
に分類する文字枠分類部２と、「見出し」文字枠と「本
文」文字枠との関連付けの可否を判定する関連付け判定
部３と、「見出し」文字枠と「本文」文字枠との関連付
けを最終的に決定する関連付け決定部４とを有する。

【００１６】文字枠生成部１にて、以下に述べるような
手順に従って、入力された解析対象の文書から「文字枠
情報」を生成する。図２，図３，図４は、文字枠生成部
１での文字枠生成処理に関係する「文字情報」，「行情
報」，「文字枠情報」のそれぞれの記録データの一例を
示す。

【００１７】まず、既知の情報抽出方法を用いて文字の
並び順に抽出された「文字情報」から「行情報」を生成
する。図５は、この「行情報」を生成する際の処理手順
を示すフローチャートである。解析対象の文書に未処理
の文字がある限り（ステップＳ11：YES)、各行の組方向
決定処理（ステップＳ12）及びその行の終端決定処理
（ステップＳ13）を実行する。

【００１８】この各行の組方向決定処理（Ｓ12）は、先
頭の未処理文字から新しい行を生成し、次文字との位置
関係から組方向（横組みか縦組か）を決定する処理であ
り、具体的には、図６のフローチャートのステップＳ21
〜Ｓ28で示す手順に従って、各文字が横に組まれている
か縦に組まれているかを決定する。

【００１９】この行の終端決定処理（Ｓ13）は、未処理
の文字が新しい行に含まれるか否かを判定し、含まれる
全ての文字を行の要素に加えて、行の終端を決定する処
理であり、具体的には、行が横組みである場合には図７
のフローチャートのステップＳ31〜Ｓ38で示す手順に従
って、行が縦組みである場合には図８のフローチャート
のステップＳ41〜Ｓ48で示す手順に従って、行の終端を
決定する。

【００２０】以上のようにして生成された「行情報」か
ら「文字枠情報」を生成する。図９は、この「文字枠情
報」を生成する際の処理手順を示すフローチャートであ
る。解析対象の文書について未処理の行がある限り（ス
テップＳ51：YES)、各文字枠の組方向決定処理（ステッ
プＳ52）及びその文字枠の終端決定処理（ステップＳ5
3）を実行する。

【００２１】文字枠の組方向は、その文字枠を構成する
行の組方向と同じになるので、この各文字枠の組方向決
定処理（Ｓ52）は、先頭の未処理行から新しい文字枠を
生成し、行の組方向を文字枠の組方向と決定する処理で
ある。

【００２２】この文字枠の終端決定処理（Ｓ53）は、未
処理の行が新しい文字枠に含まれるか否かを判定し、含
まれる全ての行を文字枠の要素に加えて、文字枠の終端
を決定する処理であり、具体的には、文字枠が横組みで
ある場合には図10のフローチャートのステップＳ61〜Ｓ
68で示す手順に従って、文字枠が縦組みである場合には
図11のフローチャートのステップＳ71〜Ｓ78で示す手順
に従って、文字枠の終端を決定する。

【００２３】なお、このような「文字情報」，「行情
報」，「文字枠情報」はそれぞれ下記表１に示す属性を
有する。

【００２４】

【表１】

【００２５】次に、以上のようにして生成した「文字枠
情報」を用いて、文字枠分類部２にて、各文字枠に含ま
れる文字のサイズに応じて、各文字枠を複数の種別に分
類する。具体的には、以下の規則〜に従って、全文
字枠を「見出し」文字枠，「本文」文字枠，「注釈」文
字枠（「注釈」属性を有する文字枠）の３種類の内の何
れかの種別に分類する。文書中の全文字を文字サイズ別に分類し、最大文字
数の文字サイズを『本文文字サイズ』と設定する。『本文文字サイズ』の次に大きい文字サイズを『最
小見出し文字サイズ』と設定し、この『最小見出し文字
サイズ』以上の文字サイズの文字で構成されている文字
枠の属性を「見出し」と決定する。『本文文字サイズ』より小さい文字サイズのなか
で、最も文字数が多い文字サイズを『最大注釈文字サイ
ズ』と設定し、この『最大注釈文字サイズ』以下の文字
サイズで構成されている文字枠の属性を「注釈」と決定
する。『最大注釈文字サイズ』より大きく、『最小見出し
文字サイズ』より小さい文字サイズの文字から構成され
る文字枠の属性を「本文」とする。

【００２６】なお、必要に応じて動作パラメータを設定
することなどによって、ユーザによる「見出し」，「本
文」，「注釈」の３種類以外の種別の設定、『本文文字
サイズ』，『最小見出し文字サイズ』，『最大注釈文字
サイズ』における任意の文字サイズの設定も可能であ
る。

【００２７】次に、関連付け判定部３にて、このように
分類された「本文」文字枠と「見出し」文字枠、「注
釈」文字枠と「見出し」文字枠との関連付けの可否を判
定する。具体的には、以下に述べるように、文書の段組
の有無及び段数の情報と、対象となるそれぞれの文字枠
の「文字枠を内包する矩形座標，組方向，種別」の各情
報と、既知の情報抽出方法を用いて抽出された「罫線情
報」とを利用して、関連付けの可否を判定する。図12
は、この関連付け判定の処理手順を示すフローチャート
である。

【００２８】まず、文書の段数及び各文字枠の段番号を
決定する（ステップＳ81，Ｓ82）。図13は、例えば横組
み文書における段数の決定処理の手順を示すフローチャ
ート、図14は、同じく横組み文書における各文字枠の段
番号の決定処理の手順を示すフローチャートである。な
お、横組み文書における段数及び段番号の決定処理につ
いてのみフローチャートで示しているが、縦組み文書に
あっては、図13，図14のフローチャートにおいて、左辺
を下辺、右辺を上辺、Ｘ軸をＹ軸と変更することによっ
て、文書の段数及び各文字枠の段番号を決定することが
可能である。

【００２９】次に、段組みされている文書である場合に
は（ステップＳ83：YES)、その組方向に応じて文字枠の
座標変換処理を実施する（ステップＳ84）。具体的に
は、２段目以降の文字枠の行方向の座標値を、行方向が
増加する方向に（段番号×文書の行方向サイズ）分だけ
修正する。

【００３０】次に、「見出し」文字枠と「本文」文字枠
との配置位置関係を調査し、その調査結果に基づく関連
付けの可否判定（第１関連付け判定）を行う（ステップ
Ｓ85）。具体的には、「本文」文字枠の組方向に応じ
て、横組みの場合には左上、縦組みの場合には右上など
の領域にある「見出し」文字枠を関連付け可能であると
判定し、それ以外の領域内にある「見出し」文字枠は当
該の「本文」文字枠とは関連付け不可能であると判定す
る。図15でハッチングを付した領域は、組方向が横組み
である「本文」文字枠に対する「見出し」文字枠の配置
可能領域を示し、図16でハッチングを付した領域は、組
方向が縦組みである「本文」文字枠に対する「見出し」
文字枠の配置可能領域を示している。

【００３１】そして、「罫線情報」を利用した関連付け
の可否判定（第２関連付け判定）を行う（ステップＳ8
6）。具体的には、多くの文書で妥当と考えられる“文
字の組方向に平行な罫線で完全に分離することができる
「見出し」文字枠と「本文」文字枠とは関連付けられな
い”という制約Ｓに従って、配置位置関係に基づく第１
関連付け判定によって関連付け可能と判定された「見出
し」文字枠と「本文」文字枠とに対して、更なる関連付
けの判定を行う。

【００３２】最後に、関連付け決定部４にて、１つの
「本文」文字枠に対して１つの「見出し」文字枠を決定
する。１つの「本文」文字枠に対して、関連付け判定部
３によって関連付け可能と判定された「見出し」文字枠
が複数個存在する場合には、その「本文」文字枠と各
「見出し」文字枠との基準点間距離に応じて最も関連度
が高い「見出し」文字枠を選択する。

【００３３】図17は、関連付け決定部４におけるこのよ
うな関連付け決定処理の手順を示すフローチャートであ
る。ある「本文」文字枠に対して関連付け可能な「見出
し」文字枠が１個しかない場合には（ステップＳ131:N
O）、その「本文」文字枠とその「見出し」文字枠との
関連付けを決定する（ステップＳ134)。

【００３４】一方、ある「本文」文字枠に対して関連付
け可能な「見出し」文字枠が複数個存在する場合には
（ステップＳ131:YES)、関連するそれらの文字枠の基準
点を求める（ステップＳ132)。具体的には、組方向に応
じて、横組みの場合には「左上」、縦組みの場合には
「右上」の文字枠矩形頂点を各文字枠の基準点とする。
次に、その「本文」文字枠と関連付け可能な各「見出
し」文字枠との基準点間距離を求めてそれらを比較する
（ステップＳ133)。そして、この比較結果に基づき、最
も距離が短い「見出し」文字枠との関連付けを決定する
（Ｓ134)。

【００３５】以上のような処理を、すべての「本文」文
字枠に対して実施することにより、すべての「本文」文
字枠が何れかの「見出し」文字枠に関連付けられる。

【００３６】また、「本文」文字枠と全く同様な処理
を、「注釈」属性を有するすべての「注釈」文字枠に対
して実施することにより、すべての「注釈」文字枠が何
れかの「見出し」文字枠に関連付けられる。

【００３７】以上ような処理を行うことによって、各記
事毎に「見出し」文字枠を中心とした論理構造の抽出を
行うことができる。

【００３８】なお、上述した各処理の動作は、パラメー
タ設定によって微調整可能とする。また、論理構造抽出
後にテキスト抽出を実施する場合、ある「見出し」文字
枠にに複数の「本文」文字枠，「注釈」文字枠が関連付
けられているときには、必要に応じて各文字枠の矩形座
標及び組方向，種別などの情報を利用して文字枠のソー
ト処理を実施する。

【００３９】以下、本発明の具体例について説明する。
図18は、構造が一定でない複数の記事が含まれている解
析対象の文書Ｄを示しており、この文書Ｄから論理構造
を抽出する処理を具体例とする。なお、文書Ｄからの
「文字情報」，「罫線情報」の抽出処理、及び、組方向
を考慮した文字枠のソート処理については、既存の手法
をそのまま利用する。

【００４０】（１）「文字枠情報」の生成既存の情報抽出手法により、解析対象の文書Ｄから「文
字」，「罫線」，「イメージ」などの情報を抽出する。
この抽出される具体的な情報を下記表２に示す。

【００４１】

【表２】

【００４２】そして、抽出した「文字情報」から前述し
た図５〜図８のフローチャートに従って「行情報」を生
成し、更に、生成した「行情報」から前述した図９〜図
11のフローチャートに従って「文字枠情報」を生成す
る。図19に「文字情報」からの「行情報」の生成動作、
図20に「行情報」からの「文字枠情報」の生成動作を模
式的に示す。なお、図19，図20には、横組みの場合の動
作を示しているが、縦組みの場合にも同様に「文字情
報」から「行情報」を介して「文字枠情報」を生成す
る。図21は、このようにして「文字枠情報」を生成して
複数の文字枠を抽出した状態を模式的に示している。

【００４３】（２）文字枠種別の分類前述した規則〜に従って全文字枠を何れかの種別に
分類する。この例では、文字サイズが２種類（『本文文
字サイズ』とこれより大きい『最小見出し文字サイズ』
との２種）存在し、全文字枠が、「見出し」文字枠，
「本文」文字枠の何れかに分類される。図22は、このよ
うにして文字枠を種別分類した状態を模式的に示してお
り、横組み，縦組みの全ての文字枠が、「見出し」文字
枠，「本文」文字枠の何れかに分類されている。

【００４４】（３）「見出し」文字枠と「本文」文字枠
との関連付け判定（ａ）段数及び各文字枠の段番号の設定各文字枠の矩形位置座標情報によって、文書の組方向毎
の段数を決定する。段数決定後、各文字枠の段番号を決
定する。図23は、このようにして段数及び段番号を決定
した状態を模式的に示しており、横１段と縦３段とが決
定されている。

【００４５】（ｂ）文字枠座標変換段組されている文書では、その組方向に応じて文字枠の
座標を変換する。図24は、文字枠の座標を変換した状態
を模式的に示しており、縦２段目及び縦３段目に属する
文字枠は縦方向に座標値が修正されている。

【００４６】（ｃ）第１関連付け判定（文字枠の配置位
置による関連付け判定）全ての「本文」文字枠に対して、全ての「見出し」文字
枠との関連付けの判定を、それぞれの配置位置の関係に
よって行う。図25は、このような第１関連付け判定を行
った状態を模式的に示しており、「本文」文字枠Ａにつ
いて考えると、横組みであるので図15に従って左，上に
存在する４個の「見出し」文字枠Ｂ₁，Ｂ₂，Ｂ₃，Ｂ
₄が関連付け可能な「見出し」文字枠と判定されてい
る。

【００４７】（ｄ）第２関連付け判定（「罫線情報」を
利用した関連付け判定）（ｃ）で関連付けられた「本文」文字枠と「見出し」文
字枠とに対して、前述した制約Ｓによる「罫線情報」を
利用した関連付け判定を行う。図26は、このような第２
関連付け判定を行った状態を模式的に示しており、
（ｃ）で関連付けられた４個の「見出し」文字枠Ｂ₁，
Ｂ₂，Ｂ₃，Ｂ₄の中から、この制約Ｓに従って２個の
「見出し」文字枠Ｂ₁，Ｂ₂のみが関連付け可能な「見
出し」文字枠と判定されている。

【００４８】（４）「見出し」文字枠と「本文」文字枠
との関連付け決定（ａ）「見出し」文字枠と「本文」文字枠との基準点間
距離の算出（３）で１個の「本文」文字枠に関連付けられた「見出
し」文字枠が複数存在する場合、その「本文」文字枠と
「見出し」文字枠との基準点間距離を求める。図27は、
各文字枠の基準点及び両文字枠の基準点間距離を模式的
に示しており、何れの文字枠も横組みであってその基準
点は矩形の左上頂点であって、「本文」文字枠Ａと
（３）で関連付けられた２個の各「見出し」文字枠
Ｂ₁，Ｂ₂との基準点間距離がそれぞれＬ₁，Ｌ₂とな
っている。

【００４９】（ｂ）基準点間距離による関連付け決定基準点間距離が最も短い「見出し」文字枠を選択し、そ
の選択した「見出し」文字枠と「本文」文字枠との関連
付けを決定する。図27に示す例では、Ｌ₁＞Ｌ ₂、つま
り、「本文」文字枠Ａ，「見出し」文字枠Ｂ₂の基準点
間距離が「本文」文字枠Ａ，「見出し」文字枠Ｂ₁の基
準点間距離より短いので、「本文」文字枠Ａと「見出
し」文字枠Ｂ₂との関連付けを決定する。

【００５０】以上のような処理を文書Ｄに含まれる全て
の文字枠に対して実行することにより、文書Ｄの論理構
造を抽出できる。図28は、このような論理構造の抽出結
果を模式的に示しており、図18に示した解析対象の文書
Ｄを忠実に表した正確な論理構造を抽出できている。

【００５１】図29は、本発明の記録媒体の実施例の構成
を示すブロック図である。ここに例示するプログラム
は、図５〜図14，図17に示すステップＳ11〜Ｓ134 を含
んでおり、以下に説明する記録媒体に記録されている。

【００５２】図29において、コンピュータ40とオンライ
ン接続する記録媒体41は、コンピュータ40の設置場所か
ら隔たって設置される例えばＷＷＷ(World Wide Web)の
サーバコンピュータを用いてなり、記録媒体41には前述
の如きプログラム41a が記録されている。記録媒体41か
ら読み出されたプログラム41a がコンピュータ40を制御
することにより、コンピュータ40が、上述したような文
書解析処理（論理構造の抽出処理）を実行する。

【００５３】コンピュータ40の内部に設けられた記録媒
体42は、内蔵設置される例えばハードディスクドライブ
またはＲＯＭなどを用いてなり、記録媒体42には前述の
如きプログラム42a が記録されている。記録媒体42から
読み出されたプログラム42aがコンピュータ40を制御す
ることにより、コンピュータ40が、上述したような文書
解析処理（論理構造の抽出処理）を実行する。

【００５４】コンピュータ40に設けられたディスクドラ
イブ40a に装填して使用される記録媒体43は、運搬可能
な例えば光磁気ディスク，ＣＤ−ＲＯＭまたはフレキシ
ブルディスクなどを用いてなり、記録媒体43には前述の
如きプログラム43a が記録されている。記録媒体43から
読み出されたプログラム43a がコンピュータ40を制御す
ることにより、コンピュータ40が、上述したような文書
解析処理（論理構造の抽出処理）を実行する。

【００５５】

【発明の効果】以上のように本発明では、見出しの文字
枠と本文の文字枠とを関連付けるようにしたので、形状
が一定でない複数の独立した記事を含む文書について
も、各記事毎の文字枠を正しく抽出でき、各記事毎の正
確な論理構造を抽出することができる。

【００５６】また、見出しの文字枠と本文の文字枠とを
関連付ける際に、各文字枠の位置関係などを考慮して、
１つの本文の文字枠に対して関連付け可能である複数の
見出しの文字枠を選定した後に、それらの中から最終的
に１つの見出しの文字枠を決定するようにしたので、効
率良く見出しの文字枠と本文の文字枠との関連付けを行
える。

【００５７】更に、見出しの文字枠と本文の文字枠との
間の距離に基づいて、両文字枠の関連付けを決定するよ
うにしたので、同一の記事に属する見出しの文字枠と本
文の文字枠とを正確に関連付けることができ、論理構造
の抽出精度を向上できる。

【図面の簡単な説明】

【図１】本発明の文書解析装置のブロック構成図であ
る。

【図２】文字情報の記録データの一例を示す図である。

【図３】行情報の記録データの一例を示す図である。

【図４】文字枠情報の記録データの一例を示す図であ
る。

【図５】行情報を生成する際の処理手順を示すフローチ
ャートである。

【図６】組方向を決定する際の処理手順を示すフローチ
ャートである。

【図７】横組みでの行の終端を決定する際の処理手順を
示すフローチャートである。

【図８】縦組みでの行の終端を決定する際の処理手順を
示すフローチャートである。

【図９】文字枠情報を生成する際の処理手順を示すフロ
ーチャートである。

【図１０】横組みでの文字枠の終端を決定する際の処理
手順を示すフローチャートである。

【図１１】縦組みでの文字枠の終端を決定する際の処理
手順を示すフローチャートである。

【図１２】「見出し」文字枠と「本文」文字枠との関連
付けを判定する際の処理手順を示すフローチャートであ
る。

【図１３】段数を決定する際の処理手順を示すフローチ
ャートである。

【図１４】各文字枠の段番号を決定する際の処理手順を
示すフローチャートである。

【図１５】組方向が横組みである場合の「本文」文字枠
に対する「見出し」文字枠の配置可能領域を示す図であ
る。

【図１６】組方向が縦組みである場合の「本文」文字枠
に対する「見出し」文字枠の配置可能領域を示す図であ
る。

【図１７】「見出し」文字枠と「本文」文字枠との関連
付けを決定する際の処理手順を示すフローチャートであ
る。

【図１８】複数の記事が含まれている解析対象の文書の
一例を示す図である。

【図１９】文字情報からの行情報の生成動作を示す図で
ある。

【図２０】行情報からの文字枠情報の生成動作を示す図
である。

【図２１】複数の文字枠の抽出例を示す図である。

【図２２】文字枠を種別分類した後の状態を示す図であ
る。

【図２３】段数及び段番号を決定した後の状態を示す図
である。

【図２４】文字枠を座標変換処理した後の状態を示す図
である。

【図２５】第１関連付け判定（配置位置による関連付け
判定）による判定結果を示す図である。

【図２６】第２関連付け判定（罫線情報による関連付け
判定）による判定結果を示す図である。

【図２７】関連付け判定された「見出し」文字枠と「本
文」文字枠との基準点間距離を示す図である。

【図２８】本発明による文書の論理構造の抽出結果を示
す図である。

【図２９】記録媒体の実施例の構成を示すブロック図で
ある。

【符号の説明】

１文字枠生成部２文字枠分類部３関連付け判定部４関連付け決定部 40 コンピュータ 41，42，43 記録媒体Ａ「本文」文字枠Ｂ₁，Ｂ₂，Ｂ₃，Ｂ₄ 「見出し」文字枠Ｄ文書Ｌ₁，Ｌ₂ 基準点間距離

Claims

【特許請求の範囲】

【請求項１】文字枠の形態で見出しと本文とを有する
記事が複数含まれている文書の構造を解析する方法にお
いて、解析対象の文書における文字枠を抽出するステッ
プと、抽出した文字枠を見出しの文字枠と本文の文字枠
とに分類するステップと、分類された文字枠について、
同一の記事に属する見出しの文字枠と本文の文字枠との
関連付けを行うステップとを有することを特徴とする文
書解析方法。
【請求項２】前記関連付けを行うステップは、分類さ
れた１つの本文の文字枠に対して関連付け可能な複数の
見出しの文字枠を選定する第１ステップと、選定された
複数の見出しの文字枠の中から関連付け対象の１つの見
出しの文字枠を決定する第２ステップとを含む請求項１
記載の文書解析方法。
【請求項３】前記第２ステップは、前記１つの本文の
文字枠と選定された前記各見出しの文字枠との間の距離
を求めるステップと、求めた距離が最も短い見出しの文
字枠を前記関連付け対象の見出しの文字枠として決定す
るステップとを含む請求項２記載の文書解析方法。
【請求項４】文字枠の形態で見出しと本文とを有する
記事が複数含まれている文書の構造を解析する装置にお
いて、解析対象の文書における文字枠を抽出する手段
と、抽出した文字枠を見出しの文字枠と本文の文字枠と
に分類する手段と、分類された文字枠について、同一の
記事に属する見出しの文字枠と本文の文字枠との関連付
けを行う手段とを備えることを特徴とする文書解析装
置。
【請求項５】コンピュータにて文字枠の形態で見出し
と本文とを有する記事が複数含まれている文書の構造を
解析するためのプログラムを記録してあるコンピュータ
での読み取り可能な記録媒体において、解析対象の文書
における文字枠を抽出することをコンピュータにさせる
プログラムコード手段と、抽出した文字枠を見出しの文
字枠と本文の文字枠とに分類することをコンピュータに
させるプログラムコード手段と、分類された文字枠につ
いて、同一の記事に属する見出しの文字枠と本文の文字
枠との関連付けを行うことをコンピュータにさせるプロ
グラムコード手段とを有することを特徴とする記録媒
体。