JP2013257659A - 情報処理装置、情報処理方法、及びプログラム - Google Patents

Abstract

【課題】印刷用の文書データから画像データを好適に出力することのできる情報処理装置、情報処理方法、及びプログラムを提供する。
【解決手段】１以上のテキストオブジェクト及び１以上の画像オブジェクトを含む文書データから、少なくとも一部の前記画像オブジェクトを抽出するデータ抽出部２０５と、抽出された画像オブジェクトを、当該画像オブジェクトとは異なるフォーマットの画像データとして出力すると共に、少なくとも一部のテキストオブジェクトに含まれるテキスト情報と、画像データへの参照情報とを含むテキストデータを出力するデータ出力部２０７とを備える。
【選択図】図３

Description

本発明に係るいくつかの態様は、情報処理装置、情報処理方法、及びプログラムに関する。

近年、ＤＴＰ（Ｄｅｓｋｔｏｐ Ｐｕｂｌｉｓｈｉｎｇ）ソフト等を用いて印刷用のドキュメント（文書）が作成されることが多くなってきている。

ここで、例えば特許文献１には、ＤＴＰソフト等を用いて作成された印刷用のドキュメントなどのようにオブジェクトの配置が複雑なドキュメントではオブジェクトの閲覧順とオブジェクトリスト順とが一致していない場合があること、及びそのような場合に閲覧順にオブジェクトが並んでいる新たなドキュメントを生成する装置、等が開示されている。

特開２０１１−１８６７５４号公報

印刷用の最終文書は、通常、複数の記事を含んでいる。更に、それらの記事は、それぞれテキストデータや画像等、各種の情報を含んでいる。近年、例えば雑誌に掲載された情報（記事）をＷｅｂ上で公開することが多くなっている等、記事に含まれる情報の再利用が進んでいることから、印刷用の文書をソフトウェア上で作成するだけでなく、この文書データから、意味ある形で情報を抽出してデジタル管理することが求められている。

この点、特許文献１に開示されているのは、元のドキュメントに対して、配置のみを変えたドキュメントを生成する装置である。つまり、文書データからの、意味を構成する単位での情報抽出（たとえば文書データの少なくとも一部に係る記事データの抽出）等については、引用文献１では何ら考慮されていない。

特に近年、いわゆるスマートフォンと呼ばれる携帯電話が普及しつつある。このようなスマートフォンで記事を表示する際には、解像度に応じた見せ方をするため、記事をＨＴＭＬ５（ＨｙｐｅｒＴｅｘｔ Ｍａｒｋｕｐ Ｌａｎｇｕａｇｅ ５）等の形式に変換する必要がある。しかしながらＨＴＭＬ５とＤＴＰソフトとでは画像の管理方法が異なるため、ＨＴＭＬ５上で適切に画像を表示させるためには、適切に画像データを変換する必要がある。

本発明のいくつかの態様は前述の課題に鑑みてなされたものであり、印刷用の文書データから画像データを好適に出力することのできる情報処理装置、情報処理方法、及びプログラムを提供することを目的の１つとする。

本発明に係る情報処理装置は、１以上のテキストオブジェクト及び１以上の画像オブジェクトを含む文書データから、少なくとも一部の前記画像オブジェクトを抽出する抽出手段と、抽出された前記画像オブジェクトを、当該画像オブジェクトとは異なるフォーマットの画像データとして出力する第１の出力手段と、少なくとも一部の前記テキストオブジェクトに含まれるテキスト情報と、前記画像データへの参照情報とを含むテキストデータを出力する第２の出力手段とを備える。

本発明に係る情報処理方法は、１以上のテキストオブジェクト及び１以上の画像オブジェクトを含む文書データから、少なくとも一部の前記画像オブジェクトを抽出するステップと、抽出された前記画像オブジェクトを、当該画像オブジェクトとは異なるフォーマットの画像データとして出力するステップと、少なくとも一部の前記テキストオブジェクトに含まれるテキスト情報と、前記画像データへの参照情報とを含むテキストデータを出力するステップとを情報処理装置が実行する。

本発明に係るプログラムは、１以上のテキストオブジェクト及び１以上の画像オブジェクトを含む文書データから、少なくとも一部の前記画像オブジェクトを抽出するステップと、抽出された前記画像オブジェクトを、当該画像オブジェクトとは異なるフォーマットの画像データとして出力するステップと、少なくとも一部の前記テキストオブジェクトに含まれるテキスト情報と、前記画像データへの参照情報とを含むテキストデータを出力するステップとを情報処理装置に実行させる。

なお、本発明において、「部」や「手段」とは、単に物理的手段を意味するものではなく、その「部」や「手段」が有する機能をソフトウェアによって実現する場合も含む。また、１つの「部」や「手段」が有する機能が２つ以上の物理的手段や装置により実現されても、２つ以上の「部」や「手段」の機能が１つの物理的手段や装置により実現されても良い。

本発明によれば、印刷用の文書データから画像データを好適に出力することのできる情報処理装置、情報処理方法、及びプログラムを提供することができる。

本発明の実施形態における情報処理装置の概略機能を説明するための図である。 本発明の実施形態における情報処理装置の画像にかかる出力処理を説明するための図である。 本発明の実施形態における情報処理装置の概略構成を示す機能ブロック図である。 図３に示した情報処理装置が表示可能なウィンドウの具体例を示す図である。 図３に示した情報処理装置が表示可能なウィンドウの具体例を示す図である。 図３に示した情報処理装置の処理の流れを示すフローチャートである。

以下に本発明の実施形態を説明する。以下の説明及び参照する図面の記載において、同一又は類似の構成には、それぞれ同一又は類似の符号が付されている。

（実施形態）
図１乃至図６は、本発明の実施形態を説明するための図である。以下、これらの図を参照しながら実施形態を詳細に説明する。

（１ 概要）
（１．１ システム概要）
図１は、本発明に係る実施形態の情報処理装置の概略機能を説明するための図である。図１に係る情報処理装置１０には、ＤＴＰ（Ｄｅｓｋｔｏｐ Ｐｕｂｌｉｓｈｉｎｇ）ソフトウェア１００と、データ抽出プラグイン２００とがインストールされる。

ＤＴＰソフトウェア１００は、例えば書籍や雑誌、新聞等の文書データに関し、テキストや図表などを割り付けることのできるソフトウェアである。ユーザは、ＤＴＰソフトウェア１００が描画するウィンドウ１１０上で文書データの印刷レイアウトを確認しながら、割付などの各種編集作業を行うことができる。文書データは、テキストや図表に係るオブジェクトを含んでいるので、各オブジェクト単位で管理や編集することが可能となっている。

ここで、本実施形態のＤＴＰソフトウェア１００は、印刷用ＰＤＦ／Ｘ−１ａ（Ｐｏｒｔａｂｌｅ Ｄｏｃｕｍｅｎｔ Ｆｏｒｍａｔ ｅＸｃｈａｎｇｅ）ファイルＦ１を出力する機能を持っている。ユーザは当該ＰＤＦ／Ｘ−１ａファイルＦ１を印刷（文書出力）することで、ＷＹＳＩＷＹＧ（Ｗｈａｔ Ｙｏｕ Ｓｅｅ Ｉｓ Ｗｈａｔ Ｙｏｕ Ｇｅｔ）システムを実現することができる。

また、ＤＴＰソフトウェア１００は、自ソフトウェアに係るファイル形式（ファイルフォーマット）でＤＴＰファイルＦ２を図示しない記憶媒体に記憶すると共に、当該ＤＴＰファイルＦ２を読み込む機能を有する。
このような機能を有するＤＴＰソフトウェア１００の具体例としては、アドビシステムズ社が提供するＩｎＤｅｓｉｇｎ等が挙げられる。

データ抽出プラグイン２００は、ＤＴＰソフトウェア１００の機能を拡張するために追加されるプラグインとソフトウェアである。データ抽出プラグイン２００は、ＤＴＰソフトウェア１００と一体となって機能する。

データ抽出プラグイン２００は、ＤＴＰソフトウェア１００により作成及び編集された印刷用の文書データに含まれるテキストや図表等の各種オブジェクトに対し、各種属性（順序、使用権等の情報も含む）を設定することにより、文書を構成する記事（パーツ）毎の管理を可能としている。

またデータ抽出プラグイン２００は、当該記事データをＨＴＭＬ（ＨｙｐｅｒＴｅｘｔ Ｍａｒｋｕｐ Ｌａｎｇｕａｇｅ）形式の出力ファイルＦ３ａやＰＤＦ形式の出力ファイルＦ３ｄとしてデータベース３００に出力することにより図示しない記憶媒体に記憶させる機能を有する。ここで、ＨＴＭＬの形式（バージョン）はいくつか考えられるが、ここではＨＴＭＬ５であるものとする。出力用のファイルをＨＴＭＬ５化することにより、いわゆるスマートフォン等の解像度に応じた見せ方が可能となる。

ここで、ＨＴＭＬで記述された出力ファイルＦ３ａ自体は、画像に係るオブジェクト（以下、画像オブジェクトという。）を含まない。そこで、ＨＴＭＬで記述された出力ファイルＦ３ａは、後述する画像に係る出力ファイルＦ３ｂを参照するためのリンク情報（参照情報）を含む。これにより、出力ファイルＦ３ａをブラウザ上に表示されると、リンク情報により参照される画像に係る出力ファイルＦ３ｂをもブラウザ上に表示させることが可能となる。

同様にデータ抽出プラグイン２００は、画像オブジェクトはＪＰＧ形式やＰＮＧ形式の出力ファイルＦ３ｂとして、表に係るオブジェクトはＣＳＶ（Ｃｏｍｍａ Ｓｅｐａｒａｔｅｄ Ｖａｌｕｅｓ）形式の出力ファイルＦ３ｃとしてデータベース３００に出力可能である。ここで、画像に係るオブジェクトには、イラストや写真、図の他、表をも含むものとする。
更に、データ抽出プラグイン２００は、記事データに関する各種属性情報を出力ファイルＦ３ｅとしてデータベース３００に出力する機能も有する。

ユーザは、データ抽出プラグイン２００が提供する機能に係る操作を、ＤＴＰソフトウェア１００が表示するウィンドウ１１０上に表示されるウィンドウ２１０（パレットやダイアログとも呼ぶ）に対して行う。

ここで、データベース３００は、例えば記憶媒体上の特定の管理フォルダ等である。データベース３００に出力された記事データ（出力ファイルＦ３）は、記事単位または複数の記事を纏めた電子雑誌として、インターネットを介して公開若しくは販売することが可能である。

（１．２ 画像データ出力の概要）
次に、データ抽出プラグイン２００が画像に係る出力ファイルＦ３ｂを出力する際の処理の概要を、図２を参照しながら説明する。図２は、ＤＴＰソフトウェア１００で扱う記事データ２０の具体例を示す図である。
図２の例において、記事データ２０は、テキストオブジェクト２１ａ、２１ｂ、２１ｃ及び２１ｄと、画像オブジェクト２３ａ、２３ｂ、及び２３ｃとを含む。

テキストオブジェクト２１ａ、２１ｂ、２１ｃ及び２１ｄは、各種テキスト情報を含む。このうち、テキストオブジェクト２１ａ、２１ｂ、２１ｃは、例えば記事データ２０で扱う記事の本文に相当する。一方、テキストオブジェクト２１ｄは、画像オブジェクト２３ａの下方近傍に配置されている。つまり、テキストオブジェクト２１ｄは、例えば画像オブジェクト２３ａに含まれる画像に対する説明（エトキ）である。ここで、「画像オブジェクトの近傍に配置されたテキストオブジェクト」とは、画像オブジェクトとテキストオブジェクトとが重ならない場合だけでなく、両者の少なくとも一部が重なる場合をも含む概念をいうものとする。

画像オブジェクト２３ａ、２３ｂ、及び２３ｃは、それぞれ写真やイラスト等の画像情報を含むオブジェクトである。ここでは、画像オブジェクト２３ａは写真を含むオブジェクトであるものとし、画像オブジェクト２３ｂは、画像オブジェクト２３ａ上の写真と少なくとも一部が重なるイラストを含むオブジェクトであるものとする。また、画像オブジェクト２３ｃは、画像オブジェクト２３ａと少なくとも一部が重なる図を含むオブジェクトであるものとする。

このような記事データ２０を、携帯電話やパーソナルコンピュータが有するウェブブラウザ上で表示可能としようとすると、記事データ２０をＨＴＭＬ（本実施形態では、ＨＴＭＬ５）の形式に変換する必要がある。ＨＴＭＬファイルは、上述の通りテキストデータと画像データへの参照情報（リンク情報）を含むことができるが、画像データを含むことはできない。一方、ＤＴＰソフトウェア１００が管理する画像オブジェクトは、ＪＰＧやＰＮＧ等のブラウザ上で表示可能な形式ではないことが多いので、画像オブジェクトに係る画像を、ＪＰＧやＰＮＧ、ＧＩＦ等の形式で作成する必要がある。

ここで、画像データの作成手法としては、例えば以下のような手法が考えられる。まず、記事データ全体をＰＤＦとして出力し（出力ファイルＦ３ｄ）、次に、その出力ファイルＦ３ｄを所定のアプリケーションで表示させた画面のスクリーンショットをＯＳ（Ｏｐｅｒａｔｉｎｇ Ｓｙｓｔｅｍ）の機能で撮る。そして、画像編集アプリケーション上で、スクリーンショットで撮影した画面画像から所望の画像の画像領域を切り出した上で、当該画像領域の画像データを作成すると共に、当該画像データに名前をつける。これにより、所望の画像データを得ることができる。

しかしながら、このような作業は非常に煩雑であることから、画像データを自動で出力することが望まれる。そこで、本実施形態に係るデータ抽出プラグイン２００は、画像オブジェクト２３ａ、２３ｂ、及び２３ｃに係る画像を出力可能としている。これにより、印刷用の文書データから、ウェブページに表示可能な画像データを好適に出力することができるようになる。

図２の例において、画像オブジェクト２３ｂは、その領域の半分以上で画像オブジェクト２３ａと重なっている。この場合、視覚的には画像オブジェクト２３ａと画像オブジェクト２３ｂとが１つの図面を形成しているように見えるので、データ抽出プラグイン２００は、画像オブジェクト２３ａ及び２３ｂを１つの画像データである出力ファイルＦ３ｂとして出力する。

一方、画像オブジェクト２３ａと２３ｃとは、一部の領域が重なっているものの、半分以上の領域では重なっていない。このような場合、ユーザは視覚的に画像オブジェクト２３ａと画像オブジェクト２３ｃとを別々の画像として認識する可能性が高い。そこで、データ抽出プラグイン２００は、画像オブジェクト２３ａと２３ｃとは、それぞれ異なる２つの出力ファイルＦ３ｂとして出力する。

このように実装することで、ユーザが特に指定せずとも、好適に画像オブジェクト２３に係る画像データである出力ファイルＦ３ｂを出力することが可能となる。

尚、ここでは画像オブジェクト２３の重なり割合が半分以上であるかどうかを元に１つの画像データとして出力するか否かを切り替えるように説明を行ったが、これに限られるものではなく、１画像として取扱うための重なり割合は任意に設定することが可能である。また、複数の画像オブジェクト２３を１つの出力ファイルＦ３ｂとして出力するか否かは、データ抽出プラグイン２００が一時的に決定した上で、ユーザがその決定を変える（異なる画像データ／１つの画像データとして出力可能とする）ようにできるようにしても良い。

更に、本実施形態において、データ抽出プラグイン２００は出力ファイルＦ３ｂの出力の際に、エトキであるテキストオブジェクト２１ｄのテキストデータを出力ファイルＦ３ｂのファイル名として使用する。例えば、機械的に連番で図面のファイル名を決定すると、ユーザはどのような画像なのかを名称から把握することは困難となるが、エトキを利用することで、ユーザが画像を開かずとも、画像の内容を把握できるようになる。尚、このときデータ抽出プラグイン２００は、テキストオブジェクト２１ｄがエトキであるか否かを、当該テキストオブジェクト２１ｄが画像オブジェクト２３の近傍（例えば、画像オブジェクト２３から所定の距離内若しくは位置的に重なっている）にあるかどうか等で判断することが可能である。或いは、ユーザが属性として当該テキストオブジェクト２１ｄがエトキであることを明示的に指定しても良い。

更に、ファイル名に使用するのに好適なエトキが存在しない場合には、データ抽出プラグイン２００は、ページ内（記事データ２０内）の座標を元に上下左右の場所情報を判定した上で、当該場所情報に基づいてファイル名を作成する（例えば、「Ｐ７６右上図版」等。）。このようにすることで、通常の連番のみでファイル名を決定する場合よりも、直感的に画像データを扱いやすくなる。

（２ データ抽出プラグイン２００の概略構成及び機能）
続いて、データ抽出プラグイン２００の概略構成及び機能を説明する。図３は、データ抽出プラグイン２００の概略構成を示す機能ブロック図である。
データ抽出プラグイン２００は、ユーザインタフェース部２０１と、属性設定部２０３と、データ抽出部２０５と、データ出力部２０７とを含む。

ユーザインタフェース部２０１は、図１に示したウィンドウ２１０（パレット）等を、図示しない表示装置の表示画面上に表示するとともに、当該ウィンドウ２１０等に対するユーザからの操作入力を受け付けるＧＵＩ（Ｇｒａｐｈｉｃａｌ Ｕｓｅｒ Ｉｎｔｅｒｆａｃｅ）に係る処理を行う。

属性設定部２０３は、ＤＴＰソフトウェア１００で編集される文書データ自体や、文書データを構成する各オブジェクト（テキストや図、表など）に対して、後述する属性を設定する。当該属性により、記事データを構成するオブジェクトがどれかや、記事データを構成するオブジェクトの順序などを、データ抽出部２０５が判別できるようになる。

ここで、文書データとは、ＤＴＰソフトウェア１００で作成される印刷用の文書に係るデータをいうものとする。また、記事データとは、自動及びユーザの設定（順序／属性により設定）に応じて文書データから抽出される、意味ある情報単位を言うものとする。より具体的には、例えば、記事データは文書を構成する記事（複数の記事であっても良い）に対応することが考えられる。

以下、属性設定部２０３で設定可能な属性の例について説明する。属性設定部２０３で設定される属性（順序情報とその他の情報とを区別せずに「属性」または「属性情報」と呼ぶこともある）は、例えば以下のようなものである。

＜文書データに対して設定可能な属性＞
１）媒体属性（媒体の名称及び略語）
２）巻号属性（巻号及び発行日）
３）コラム属性（コラム名）
４）記事属性（文書データに含まれる記事の仮見出し、使用権、図表件数、メモ等）

＜オブジェクトに設定可能な属性＞
１）オブジェクトのタイプ（タイトル、サブタイトル、中見出し、本文、表、その他、ノンブル、エトキ、非抽出、記事区切り、記事分割のいずれであるのか）
２）順序番号（本文抽出の順序を表す番号）
３）図表属性（図表番号、使用権、仮エトキ、メモ）

ここでオブジェクトタイプ「タイトル」のオブジェクトは、後述する本文データ抽出機能（記事データの抽出機能）でタイトルとして抽出され、また、上述の記事属性に含まれるタイトルとして使用される。

オブジェクトタイプ「サブタイトル」のオブジェクトは、後述する本文データ抽出機能でサブタイトルとして抽出され、また、上述の記事属性に含まれるサブタイトルとして使用される。

オブジェクトタイプ「中見出し」、「本文」、又は「その他」であるオブジェクトは、後述する本文データ抽出機能でそれぞれ中見出し、本文またはその他として抽出される。
オブジェクトタイプ「表」であるオブジェクトは、後述する本文データ抽出機能では抽出されず、表抽出機能によりＣＳＶ形式で抽出される。
オブジェクトタイプ「ノンブル」のオブジェクトは、後述する本文データ抽出機能では抽出されず、前述の記事属性に含まれるページ数として使用される。

オブジェクトタイプ「エトキ」のオブジェクトは、後述する本文データ抽出機能でエトキとして抽出され、また、上述の図表属性に含まれるエトキとして使用される。更に、画像オブジェクトに係る出力ファイルＦ３ｂ出力の際に、当該エトキに含まれるテキストデータの少なくとも一部を、ファイル名として使用しても良い。
オブジェクトタイプ「非抽出」のオブジェクトは、データ抽出部２０５による抽出対象とはならない。

オブジェクトタイプが記事区切りであるオブジェクトは、オブジェクトのテキストの終わりで記事が終了し、次のオブジェクトから次の記事が始まることを示す。

オブジェクトタイプが記事分割であるオブジェクトは、オブジェクト内に複数の記事を含むことを示し、オブジェクト内の指定の文字サイズのテキスト又は段落の分離禁止指定で記事を分割する。

順序番号は、本文抽出（記事データ抽出）の順序を表す番号である。順序番号は例えば、文書データに含まれる記事毎の順番と、記事内のオブジェクトの順番とを、それぞれ上２桁と下３桁とで示す５桁の数字で表現される。

ここで、順序番号は、ページ順や座標順により一括付加することも可能であるが、それだけでは十分ではない場合が多いため、ユーザにより番号を直接入力（修正も含む）することもできる。

図３の説明に戻る。データ抽出部２０５は、ＤＴＰソフトウェア１００が編集した印刷用の文書データから、属性設定部２０３で設定した属性に従って記事データを抽出する。当該記事データには、１以上の（通常は複数の）テキストや図、表のデータが含まれる。また、データ抽出部２０５は、テキストのデータと図のデータとを別々に抽出することも可能である。

データ出力部２０７は、データ抽出部２０５により抽出された記事データを、ユーザインタフェース部２０１で指定されたフォーマット（本実施形態では、ＨＴＭＬ、ＣＳＶ、及びＰＤＦ）に変換した上で、データベース３００に出力ファイルＦ３として出力する。また、画像データについても、データ出力部２０７は別途単独で出力することが可能である。データ出力部２０７は、記事データをＨＴＭＬ形式で出力する際には、当該画像データを参照するリンク情報を含む形で出力する。
データ抽出部２０５及びデータ出力部２０７が有するデータ抽出機能及び出力機能には、例えば以下のようなものがある。

１）本文データ抽出機能（ＨＴＭＬとして出力ファイルＦ３ａを出力する。記事区切り、記事分割がある場合は、記事毎に出力ファイルＦ３ａを作成。更に、当該記事内に画像オブジェクトがある場合には、当該画像オブジェクトに対応する出力ファイルＦ３ｂへの参照情報を出力ファイルＦ３ａに含める。）

２）画像抽出機能（画像のオブジェクトを抽出するとともに、当該画像オブジェクトに係る画像データに適当なファイル名をつけた上で出力ファイルＦ３ｂとして出力する。上記「１．２」参照。）

３）表抽出機能（表属性のオブジェクトのデータを抽出するとともに、ＣＳＶの出力ファイルＦ３ｃとして出力する）

４）属性抽出機能（属性情報を出力ファイルＦ３ｅとしてデータベース３００に出力する。

５）ＰＤＦ作成機能（使用権に応じて、社内用／社外用のＰＤＦ形式の記事データである出力ファイルＦ３ｄを作成する。ここで、社内用の出力ファイルＦ３ｄは、文書データがそのままＰＤＦとして出力されたものである。社外用の出力ファイルＦ３ｄは、文書データに含まれる使用権の無い記事や図表オブジェクトをブランク、若しくはダミーデータに差し替えてＰＤＦ形式で出力されたデータである）
ここで、５）のＰＤＦ作成機能では、ＰＤＦ分割機能を用いることで、文書データを複数のＰＤＦ記事データに分割して出力することも可能である。

（３ データ抽出プラグイン２００の機能詳細）
以下、データ抽出プラグイン２００の機能を、ユーザインタフェース部２０１が出力するウィンドウ２１０と共に説明する。

（３．１ メイン機能）
図４は、データ抽出プラグイン２００のメイン機能をユーザに提供するウィンドウであるメインパレット２１０ａの例である。メインパレット２１０ａは、ＤＴＰソフトウェア１００のウィンドウメニュー上でのユーザ選択操作により表示される。
ユーザインタフェース部２０１は、メインパレット２１０ａにより、ユーザに以下のような機能を提供する。
１）オブジェクトタイプの確認と設定
２）順序番号の表示及び入力（編集）
３）属性設定ダイアログ（記事属性、図表属性）の表示
４）番号付ダイアログの表示
５）抽出ダイアログの表示
６）仮抽出の実行
７）順序番号の一括表示／非表示
８）記事区切り、記事分割の設定／解除

メインパレット２１０ａに向かって左側にある領域２１１ａには、カレントオブジェクト（選択されているオブジェクト）に対して設定されている属性が表示される。ここで、カレントオブジェクトが連結されているテキストオブジェクトである場合には、先頭のオブジェクトの情報が領域２１１ａに表示される。

領域２１１ａの２行目には、カレントオブジェクトのタイプ（オブジェクトタイプ）が表示される。図４の例では、オブジェクトタイプとして「本文」となっているが、カレントオブジェクトが例えば画像オブジェクトの場合には「画像」、罫線オブジェクトの場合には「線」、順序番号の場合には「順序番号」と表示される。

領域２１１ａの３行目には、カレントオブジェクトが本文データ抽出対象のオブジェクトタイプである場合（本実施形態では、オブジェクトタイプ「タイトル」、「サブタイトル」、「本文」等）、当該オブジェクトに設定されている順序番号が表示される。属性設定部２０３がオブジェクトに設定する順序番号は、ユーザ入力により変更することができる。ユーザにより新たな番号が入力されると、属性設定部２０３は、カレントオブジェクトに設定されている順序番号を変更する。

図４の例には図示していないが、領域２１１ａの４行目には、付加情報が表示される。例えば、記事区切りが設定されていれば「記事区切」、記事分割が設定されていれば「記事分割」と表示される。また、カレントオブジェクトが図表オブジェクトで図表属性が設定されている場合には、図表番号が表示される。

メインパレット２１０ａの中央の領域２１３ａには、オブジェクトタイプを設定するためのボタンが配置される。カレントオブジェクトがテキストオブジェクトである場合には、ユーザが領域２１３ａ及び２１５ａのいずれかにあるボタンを操作することで、オブジェクトタイプを設定することができる。

図４の例で領域２１５ａにボタンが配置される記事区切および記事分割は、オブジェクトタイプとは別に、文書データを複数の記事に分けるための設定である。本文抽出対象のオブジェクトが設定されている場合、これらのボタンが表示される。

もし記事区切設定がされていなければ「記事区切」ボタンが表示される。もし記事区切設定がされていれば、「区切解除」ボタンが表示されると共に、領域２１１ａの属性表示に付加情報として「記事区切」と表示される。

また、もし記事分割設定がされていなければ「記事分割」ボタンが表示される。記事分割設定がされていれば「分割解除」ボタンが表示されると共に、領域２１１ａの属性表示に、付加情報として「記事分割」と表示される。

（３．２ データ抽出処理に係るユーザ設定）
メインパレット２１０ａ上で「抽出」ボタンが選択されると、図５に例を示すダイアログ２１０ｂが表示される。

ダイアログ２１０ｂ上の「本文抽出」チェックボックスは、文書データから抽出した記事を、ＨＴＭＬ形式の記事データである出力ファイルＦ３ａとして出力（書き出し）するか否かを指定するためのものである。「本文抽出」チェックボックスがチェックされると、データ出力部２０７はＨＴＭＬ形式による記事データ（出力ファイルＦ３ａ）をデータベース３００へ書きだす。

ここで、データ出力部２０７は、生成したＨＴＭＬ形式の各記事データ（出力ファイルＦ３ａ）について、記事単位でファイル名を定義して、文書データと同一のフォルダ内に出力する。また、データ出力部２０７は、当該記事データの出力時に、定義されたフォントではない外字が含まれる場合には、その文字を、予め定められた別の文字に置換する機能も有する。

ダイアログ２１０ｂの「表抽出」チェックボックスは、文書データに含まれる、表属性が設定されたオブジェクトのデータを、ＣＳＶ形式の出力ファイルＦ３ｃとして書きだすか否かを指定するためのものである。データ出力部２０７は、各ＣＳＶデータの出力ファイルＦ３ｃのファイル名を、表単位で定義すると共に、作成したＣＳＶデータを文書データと同一のフォルダ内に出力する。

ダイアログ２１０ｂの「画像抽出」チェックボックスは、文書データに含まれる、画像属性が設定されたオブジェクトのデータを、ＰＮＧ形式の出力ファイルＦ３ｂとして書きだすか否かを指定するためのものである。データ出力部２０７は、各ＰＮＧデータの出力ファイルＦ３ｂのファイル名を、画像データ単位で定義するとともに、作成したＣＳＶデータを文書データと同一のフォルダ内に出力する。

この時、前述の通り、データ出力部２０７は出力ファイルＦ３ｂのファイル名を、エトキのテキストオブジェクトに含まれるテキストデータ、若しくは文書データ内の位置に基づいて定義する。更に、当該ファイル名に基づき、データ出力部２０７は、ＨＴＭＬ形式の出力ファイルＦ３ａに対し、画像に係る出力ファイルＦ３ｂへの参照情報（リンク情報）を埋め込む。
更に、データ出力部２０７は、画像オブジェクト毎の重なり割合が高い場合には、複数のオブジェクトを１つの出力ファイルＦ３ｂとする。

ダイアログ２１０ｂ上の「ＰＤＦ作成」チェックボックスは、記事データにかかるＰＤＦの出力ファイルＦ３ｄとして書きだすか否かを指定するためのものである。

分割タイトルサイズに関する入力ボックスは、記事分割で設定されているオブジェクト内で記事を分ける判断基準として記事につけられたタイトルの文字サイズを使用するために、当該文字サイズの指定を受けるための入力ボックスである。データ抽出部２０５は、この入力ボックスで指定されている文字サイズ以上のテキストがあると、そのテキストの前で記事を分割する（先頭記事は除く）。「読込」ボタンが押されると、このダイアログ２１０ｂを開く時点で選択されていた文字の文字サイズが、分割タイトルサイズとして読み込まれる。また、分割タイトルサイズのテキストは、記事データのタイトルとして処理される。
尚、分割タイトルサイズのチェックボックスがチェックされていない場合には、データ抽出部２０５は段落の分離禁止指定により記事を分割する。

（３．３ 処理の流れ）
以下、図６を参照しながら、情報処理装置１０（データ抽出プラグイン２００）の処理の流れを説明する。尚、後述の各処理ステップは、処理内容に矛盾を生じない範囲で、任意に順番を変更して若しくは並列に実行することができ、また、各処理ステップ間に他のステップを追加しても良い。更に、便宜上１つのステップとして記載されているステップは複数のステップに分けて実行することもでき、便宜上複数に分けて記載されているステップを１ステップとして実行することもできる。

まず、データ抽出部２０５は、ＤＴＰソフトウェア１００が扱う記事データから、図表番号の小さい順に１つの画像オブジェクトを選択する（Ｓ６０１）。そして、データ抽出部２０５は、当該画像オブジェクトに対し、予め定められた一定割合以上重なる画像オブジェクトがあるか否かを判別する（Ｓ６０３）。もし、一定割合以上重なる画像オブジェクトが存在する場合には（Ｓ６０３のＹｅｓ）、Ｓ６０７で１画像データとして出力するために、それらの画像オブジェクトを全て選択する（Ｓ６０５）。もし、一定割合以上重なる画像オブジェクトがない場合には（Ｓ６０３のＮｏ）、現在処理対象である１つの画像オブジェクト（Ｓ６０１で選択した画像オブジェクト）を選択した状態でＳ６０７へと進む。

データ出力部２０７は、Ｓ６０１及びＳ６０３（Ｓ６０３がＹｅｓの場合）で選択された画像オブジェクトを、ＨＴＭＬ５で処理可能な（表示可能な）画像形式（本実施形態では、ＰＧＮ）の出力ファイルＦ３ｂに変換した上で、データベース３００に出力する（Ｓ６０７）。

また、データ抽出部２０５は、Ｓ６０７で出力した画像オブジェクトの近傍にテキストオブジェクトが存在するか否かを確認する（Ｓ６０９）。もし、テキストオブジェクトが存在した場合には（Ｓ６０９のＹｅｓ）、当該テキストオブジェクトは画像オブジェクトのエトキであると考えられるので、テキストオブジェクトに含まれるテキストデータを、Ｓ６０７で出力した出力ファイルＦ３ｂのファイル名とする（Ｓ６１１）。

一方、もし、エトキと推定できるテキストオブジェクトが存在しない場合には（Ｓ６０９のＮｏ）、文書データ内の位置情報に基づき、例えば「Ｐ７６右上図版」といった名称を、出力ファイルＦ３ｂのファイル名とする（Ｓ６１３）。
もし、文書データに含まれる全ての画像に対する出力が終われば（Ｓ６１５のＹｅｓ）、データ出力部２０７は、画像に係るデータ出力処理を終了する。

（本実施形態に係る効果）
以上説明したように、本実施形態の情報処理装置１０では、データ抽出プラグイン２００により、印刷用のＤＴＰ文書データから、記事データである出力ファイルＦ３を出力することができる。

データ出力時には、ＤＴＰ文書データに含まれる（少なくとも一部の）各記事や、各記事を構成する、文書データに含まれる各オブジェクト等に対して、属性や順序などの設定をする。この属性や順序は、データ抽出プラグイン２００が自動で、若しくはユーザの指定により設定される。
このように設定された属性や順序に従って記事データを抽出することにより、データ抽出プラグイン２００は、好適に文書データから記事データを抽出できる。

特に本実施形態では、好適に画像データを出力することが可能である。ＤＴＰ文書データは、通常画像オブジェクトがＨＴＭＬなどでは表示できない画像形式で埋め込まれているところ、データ抽出プラグイン２００は、簡易な操作でＰＮＧやＪＰＧ等のＨＴＭＬで表示可能なファイル形式の画像データを出力できる。

更に、画像データの出力の際に、画像オブジェクト間の重なり具合、若しくはユーザの選択に応じて、複数の画像オブジェクトを１つの画像データとして出力することが可能となっている。これにより、本来１つの画像として認識させたい複数の画像オブジェクトを、好適な形で出力することが可能となる。

データ出力部２０７はＨＴＭＬ形式の出力ファイルＦ３ａを出力する際に、画像データである出力ファイルＦ３ｂへのリンク情報を埋め込む。これによりデータ抽出プラグイン２００は、画像を含む一体的なブラウザ用の記事データを、画面キャプチャやファイル名変換等といった煩雑な操作なしに、簡易な操作で出力することが可能となる。

また、データ出力部２０７は、画像データである出力ファイルＦ３ｂのファイル名をエトキや位置情報に基づいて決定するため、ユーザが各出力ファイルＦ３ｂを直感的に扱いやすくなる。

（付記事項）
本発明の構成は前述の実施形態のみに限定されるものではなく、本発明の要旨を逸脱しない範囲内において種々変更を加えてもよい。

１０・・・情報処理装置、１００・・・ＤＴＰソフトウェア、２００・・・データ抽出プラグイン、２０１・・・ユーザインタフェース部、２０３・・・属性設定部、２０５・・・データ抽出部、２０７・・・データ出力部、３００・・・データベース、Ｆ１、Ｆ２、Ｆ３・・・出力ファイル

Claims (15)

1. １以上のテキストオブジェクト及び１以上の画像オブジェクトを含む文書データから、少なくとも一部の前記画像オブジェクトを抽出する抽出手段と、
   抽出された前記画像オブジェクトを、当該画像オブジェクトとは異なるフォーマットの画像データとして出力する第１の出力手段と、
   少なくとも一部の前記テキストオブジェクトに含まれるテキスト情報と、前記画像データへの参照情報とを含むテキストデータを出力する第２の出力手段と
   を備える情報処理装置。
2. 前記第２の出力手段は、ＨＴＭＬ（ＨｙｐｅｒＴｅｘｔ Ｍａｒｋｕｐ Ｌａｎｇｕａｇｅ）で記述された前記テキストデータを出力する、
   請求項１記載の情報処理装置。
3. 前記第１の出力手段は、前記文書データが含む複数の前記画像オブジェクト同士の重なり具合に応じて、当該複数の前記画像オブジェクトを１の前記画像データとして出力する、
   請求項１又は請求項２記載の情報処理装置。
4. 前記第１の出力手段は、出力対象の前記画像オブジェクト近傍の前記テキストオブジェクトに含まれるテキスト情報を前記画像データのファイル名に利用する、
   請求項１乃至請求項３のいずれか１項記載の情報処理装置。
5. 前記第１の出力手段は、前記文書データ内における前記画像オブジェクトの位置に応じたファイル名で前記画像データを出力する、
   請求項１乃至請求項３のいずれか１項記載の情報処理装置。
6. １以上のテキストオブジェクト及び１以上の画像オブジェクトを含む文書データから、少なくとも一部の前記画像オブジェクトを抽出するステップと、
   抽出された前記画像オブジェクトを、当該画像オブジェクトとは異なるフォーマットの画像データとして出力するステップと、
   少なくとも一部の前記テキストオブジェクトに含まれるテキスト情報と、前記画像データへの参照情報とを含むテキストデータを出力するステップと
   を情報処理装置が実行する情報処理方法。
7. 前記テキストデータはＨＴＭＬ（ＨｙｐｅｒＴｅｘｔ Ｍａｒｋｕｐ Ｌａｎｇｕａｇｅ）で記述される、請求項６記載の情報処理方法。
8. 前記画像データを出力する際に、前記文書データが含む複数の前記画像オブジェクト同士の重なり具合に応じて、当該複数の前記画像オブジェクトを１の前記画像データとして出力する、
   請求項６又は請求項７記載の情報処理方法。
9. 前記画像データを出力する際に、出力対象の前記画像オブジェクト近傍の前記テキストオブジェクトに含まれるテキスト情報を当該画像データのファイル名に利用する、
   請求項６乃至請求項８のいずれか１項記載の情報処理方法。
10. 前記画像データを出力する際に、前記文書データ内における前記画像オブジェクトの位置に応じて当該画像データのファイル名とする、
    請求項６乃至請求項８のいずれか１項記載の情報処理方法。
11. １以上のテキストオブジェクト及び１以上の画像オブジェクトを含む文書データから、少なくとも一部の前記画像オブジェクトを抽出するステップと、
    抽出された前記画像オブジェクトを、当該画像オブジェクトとは異なるフォーマットの画像データとして出力するステップと、
    少なくとも一部の前記テキストオブジェクトに含まれるテキスト情報と、前記画像データへの参照情報とを含むテキストデータを出力するステップと
    を情報処理装置に実行させるプログラム。
12. 前記テキストデータはＨＴＭＬ（ＨｙｐｅｒＴｅｘｔ Ｍａｒｋｕｐ Ｌａｎｇｕａｇｅ）で記述される、請求項１１記載のプログラム。
13. 前記画像データを出力する際に、前記文書データが含む複数の前記画像オブジェクト同士の重なり具合に応じて、当該複数の前記画像オブジェクトを１の前記画像データとして出力する、
    請求項１１又は請求項１２記載のプログラム。
14. 前記画像データを出力する際に、出力対象の前記画像オブジェクト近傍の前記テキストオブジェクトに含まれるテキスト情報を当該画像データのファイル名に利用する、
    請求項１１乃至請求項１３のいずれか１項記載のプログラム。
15. 前記画像データを出力する際に、前記文書データ内における前記画像オブジェクトの位置に応じて当該画像データのファイル名とする、
    請求項１１乃至請求項１３のいずれか１項記載のプログラム。