JP4204608B2

JP4204608B2 - ウェブテキスト抽出装置、方法及びプログラム

Info

Publication number: JP4204608B2
Application number: JP2006229179A
Authority: JP
Inventors: 英志朗立里; あゆみ長谷川
Original assignee: Pioneer Corp; Increment P Corp
Current assignee: Pioneer Corp; Increment P Corp
Priority date: 2006-08-25
Filing date: 2006-08-25
Publication date: 2009-01-07
Anticipated expiration: 2026-08-25
Also published as: JP2008052553A

Description

本発明は、ウェブ画面上におけるウェブテキストを抽出する技術に関する。

従来から、お気に入りの店に関する情報が掲載されているウェブ画面内の各種情報を利用者専用のウェブ画面（一般的に「マイページ」等と呼ばれることが多い。）に対して入力・登録を行うことにより、その情報をストックしておくという利用形態がある。

利用者は、お気に入りの店のウェブ画面に掲載されている情報から必要な項目（例えば、住所、営業時間、電話番号等）をコピーし、利用者専用のウェブ画面に対して、上記コピーした情報を貼り付けた後に登録するという作業を行っている。上記作業は、利用者にとって非常に操作が煩雑であるため、極力自動で行う方が望ましい。

この点、ウェブ画面上から住所を自動抽出して、その結果を基に地図検索を行う装置の例が特許文献１に記載されている。

特開２００４−２８０６５９号公報

上記の特許文献１の手法は、住所検索を行う際に、ウェブ画面内の住所情報のみを自動で抽出している。そのため、例えば、店情報を登録する場合に必要となる「営業時間」、「電話番号」等の項目について自動抽出しておらず、ウェブ画面に複数項目を登録するためには、実用的ではない。

また、特許文献１の手法は、住所検索を行う際、都道府県名称で検索を行っており、例えばウェブ画面内の文章中に住所とは関係ない都道府県名が記載されている場合、本来取得すべき住所とは異なる住所を検索してしまう可能性がある。

本発明が解決しようとする課題としては、上記のものが例として挙げられる。本発明の目的は、必要とするウェブ画面上の情報を項目別に取得するウェブテキスト抽出手法を提供することにある。

請求項１に記載の発明は、ウェブテキスト抽出装置であって、ウェブ画面上における文字列の抽出範囲を決定する抽出範囲決定手段と、前記抽出範囲内の文字列を取得する文字列取得手段と、前記抽出範囲内の文字列について解析を行い、１又は複数の項目に対応する検索文字列を用いて、項目の内容を意味する文字列を抽出する文字列抽出手段と、前記文字列抽出手段が抽出した文字列を記憶する文字列抽出結果記憶手段と、を備え、前記文字列抽出手段は、前記項目の内容を意味する文字列以外の文字列を未分類文字列として別途抽出し、
前記文字列抽出手段は、複数項目間で定義されている優先順位が所定の優先順位より高い項目の内容を意味する文字列については、前記優先順位が高い項目に対応する文字列として抽出し、前記優先順位が前記所定の優先順位より低い項目の内容を意味する文字列については、前記優先順位が低い項目の内容を意味する文字列と前記優先順位が低い項目の名称とを関連付けた文字列を未分類文字列として抽出することを特徴とする。

請求項６に記載の発明は、ウェブテキスト抽出方法であって、ウェブ画面上における文字列の抽出範囲を決定する抽出範囲決定工程と、前記抽出範囲内の文字列を取得する文字列取得工程と、前記抽出範囲内の文字列について解析を行い、１又は複数の項目に対応する検索文字列を用いて、項目の内容を意味する文字列を抽出する文字列抽出工程と、前記文字列抽出工程で抽出した文字列を記憶する文字列抽出結果記憶工程と、を備え、前記文字列抽出工程は、前記項目の内容を意味する文字列以外の文字列を未分類文字列として別途抽出し、前記文字列抽出工程は、複数項目間で定義されている優先順位が所定の優先順位より高い項目の内容を意味する文字列については、前記優先順位が高い項目に対応する文字列として抽出し、前記優先順位が前記所定の優先順位より低い項目の内容を意味する文字列については、前記優先順位が低い項目の内容を意味する文字列と前記優先順位が低い項目の名称とを関連付けた文字列を未分類文字列として抽出することを特徴とする。

請求項７に記載の発明は、コンピュータを備える装置において実行されるウェブテキスト抽出プログラムであって、ウェブ画面上における文字列の抽出範囲を決定する抽出範囲決定手段、前記抽出範囲内の文字列を取得する文字列取得手段、前記抽出範囲内の文字列について解析を行い、１又は複数の項目に対応する検索文字列を用いて、項目の内容を意味する文字列を抽出する文字列抽出手段、前記抽出した文字列を記憶する文字列抽出結果記憶手段、として前記コンピュータを機能させ、前記文字列抽出手段は、前記項目の内容を意味する文字列以外の文字列を未分類文字列として別途抽出し、前記文字列抽出手段は、複数項目間で定義されている優先順位が所定の優先順位より高い項目の内容を意味する文字列については、前記優先順位が高い項目に対応する文字列として抽出し、前記優先順位が前記所定の優先順位より低い項目の内容を意味する文字列については、前記優先順位が低い項目の内容を意味する文字列と前記優先順位が低い項目の名称とを関連付けた文字列を未分類文字列として抽出することを特徴とする。

本発明の好適な実施形態では、ウェブテキスト抽出装置は、ウェブ画面上における文字列の抽出範囲を決定する抽出範囲決定手段と、前記抽出範囲内の文字列を取得する文字列取得手段と、前記抽出範囲内の文字列について解析を行い、１又は複数の項目に対応する検索文字列を用いて、項目の内容を意味する文字列を抽出する文字列抽出手段と、前記抽出した文字列を記憶する文字列抽出結果記憶手段と、を備え、前記文字列抽出手段は、前記項目の内容を意味する文字列以外の文字列を未分類文字列として抽出し、前記文字列抽出手段は、複数項目間で定義されている優先順位が所定の優先順位より高い項目の内容を意味する文字列については、前記優先順位が高い項目に対応する文字列として抽出し、前記優先順位が前記所定の優先順位より低い項目の内容を意味する文字列については、前記優先順位が低い項目の内容を意味する文字列と前記優先順位が低い項目の名称とを関連付けた文字列を未分類文字列として抽出する。

上記のウェブテキスト抽出装置は、利用者の操作に基づいて又は自動的にウェブ画面内の文字列抽出範囲が決定されると、前記文字列抽出範囲内の文字列を取得し、前記文字列を解析し、１又は複数の項目に対応する検索文字列を用いて、項目の内容を意味する文字列を抽出し、更に、上記の項目の内容を意味する文字列以外の文字列を未分類文字列として別途抽出する。そして、上記のウェブテキスト抽出装置は、抽出した文字列を記憶する。ここで、「項目」としては、例えば名称、住所、電話番号などが挙げられる。よって、利用者は自分専用のウェブ画面に入力・登録するときなどに、これらの項目に対応する文字列を１つ１つコピーする必要が無くなる。また、抽出した文字列を文字列抽出結果表示画面における各項目に対応する箇所に表示することができる。
そして、ウェブテキスト抽出装置は、項目の内容に関する文字列以外の文字列についても別途未分類文字列として抽出している。よって、ウェブテキスト抽出装置が上記未分類文字列を抽出結果として、自分専用のウェブ画面（マイページ登録用の画面）上に表示すれば、上記ウェブテキスト抽出装置の利用者は、表示している未分類文字列を適宜利用してマイページ用の情報の編集を行うことができる。
また、ウェブテキスト抽出装置は、複数項目間で定義されている優先順位が高い項目の内容を意味する文字列については、前記優先順位が所定の優先順位より高い項目に対応する文字列として抽出し、前記優先順位が前記所定の優先順位より低い項目の内容を意味する文字列については、当該優先順位が低い項目の内容を意味する文字列と優先順位が低い項目の名称とを関連付けた文字列を未分類文字列として抽出する。これによれば、ウェブテキスト抽出装置は、抽出した文字列を用いて文字列抽出結果をマイページ登録用の画面へ表示する場合、優先順位の高い項目の内容を意味する文字列を当該項目に対応する箇所に表示し、優先順位の低い項目名称と当該優先順位の低い項目内容を意味する文字列とを関連付けた文字列を別の箇所（未分類文字列を意味する領域）に表示することができる。
従って、ウェブテキスト抽出装置は、利用者に対して優先順位の低い項目の内容を意味する文字列をマイページ登録用に利用させることができるだけでなく、優先順位の低い項目の内容を意味する文字列がどのような項目であるかについても通知することができる。

上記のウェブテキスト抽出装置の一態様では、１項目あたり複数の検索文字列を用いて項目の内容を意味する文字列を抽出する。例えば、住所の項目については、「住所」の他に「場所」、「アドレス」などの検索文字列が用意される。各ウェブ画面では、同一項目について記載されていても、項目名称が異なることが多いため、複数の文字列で検索することにより、抽出する精度を上げることができる。

上記のウェブテキスト抽出装置の一態様では、文字列抽出手段は、同一項目で、項目の内容を意味する文字列を複数抽出した場合、所定の優先順位に基づいて、１つの文字列を前記項目の内容を意味する文字列として抽出し、他の文字列を未分類文字列として抽出する。これにより、ウェブテキスト抽出装置は、自分専用のウェブ画面へ抽出した文字列を表示する場合、優先順位に基づいて抽出した文字列を項目に対応する箇所に表示し、同一項目の内容で、未分類文字列とした文字列を別の箇所に表示することができる。

上記のウェブテキスト抽出装置の一態様では、前記抽出範囲決定手段は、前記ウェブ画面内のユーザにより決定された範囲を前記抽出範囲とする。よって、利用者が文字列抽出を行う必要がある箇所のみ決定することができ、ウェブテキスト抽出処理の処理速度を上げることができる。

上記のウェブテキスト抽出装置の一態様では、前記抽出範囲決定手段は、自動的に前記ウェブ画面内の全範囲を前記抽出範囲とする。よって、利用者が文字列抽出の範囲を決定することなく、ウェブテキストを抽出することができる。

本発明の他の実施の形態では、ウェブテキスト抽出方法は、ウェブ画面上における文字列の抽出範囲を決定する抽出範囲決定工程と、前記抽出範囲内の文字列を取得する文字列取得工程と、前記抽出範囲内の文字列について解析を行い、１又は複数の項目に対応する検索文字列を用いて、項目の内容を意味する文字列を抽出する文字列抽出工程と、前記抽出した文字列を記憶する文字列抽出結果記憶工程と、を備え、前記文字列抽出工程は、前記項目の内容を意味する文字列以外の文字列を未分類文字列として抽出し、前記文字列抽出手段は、複数項目間で定義されている優先順位が所定の優先順位より高い項目の内容を意味する文字列については、前記優先順位が高い項目に対応する文字列として抽出し、前記優先順位が前記所定の優先順位より低い項目の内容を意味する文字列については、前記優先順位が低い項目の内容を意味する文字列と前記優先順位が低い項目の名称とを関連付けた文字列を未分類文字列として抽出することを特徴とする。

このウェブテキスト抽出方法によれば、上記のウェブテキスト抽出装置と同様に、ウェブ画面中の必要な項目の内容を意味する文字列を自動的に抽出することができる。更に、ウェブテキスト抽出方法では、項目の内容に関する文字列以外の文字列についても別途未分類文字列として抽出している。よって、上記未分類文字列を抽出結果として、自分専用のウェブ画面（マイページ登録用の画面）上に表示すれば、利用者は、表示している未分類文字列を適宜利用してマイページ用の情報の編集を行うことができる。
また、ウェブテキスト抽出方法では、複数項目間で定義されている優先順位が所定の優先順位より高い項目の内容を意味する文字列については、前記優先順位が高い項目に対応する文字列として抽出し、前記優先順位が前記所定の優先順位より低い項目の内容を意味する文字列については、当該優先順位が低い項目の内容を意味する文字列と優先順位が低い項目の名称とを関連付けた文字列を未分類文字列として抽出する。よって、ウェブテキスト抽出方法で抽出した文字列を用いて文字列抽出結果をマイページ登録用の画面へ表示する場合、優先順位の高い項目の内容を意味する文字列を当該項目に対応する箇所に表示し、優先順位の低い項目名称と当該優先順位の低い項目内容を意味する文字列とを関連付けた文字列を別の箇所（未分類文字列を意味する領域）に表示することができる。
従って、上記のウェブテキスト抽出方法で文字列を抽出すれば、利用者に対して優先順位の低い項目の内容を意味する文字列をマイページ登録用に利用させることができるだけでなく、優先順位の低い項目の内容を意味する文字列がどのような項目であるかについても通知することができる。

本発明の他の実施の形態では、コンピュータを備える装置において実行され、ウェブ画面上における文字列の抽出範囲を決定する抽出範囲決定手段、前記抽出範囲内の文字列を取得する文字列取得手段、前記抽出範囲内の文字列について解析を行い、１又は複数の項目に対応する検索文字列を用いて、項目の内容を意味する文字列を抽出する文字列抽出手段、前記抽出した文字列を記憶する文字列抽出結果記憶手段、として前記コンピュータを機能させ、前記文字列抽出手段は、前記項目の内容を意味する文字列以外の文字列を未分類文字列として抽出し、前記文字列抽出手段は、複数項目間で定義されている優先順位が所定の優先順位より高い項目の内容を意味する文字列については、前記優先順位が高い項目に対応する文字列として抽出し、前記優先順位が前記所定の優先順位より低い項目の内容を意味する文字列については、前記優先順位が低い項目の内容を意味する文字列と前記優先順位が低い項目名称とを関連付けた文字列を未分類文字列として抽出する。

このプログラムを、コンピュータ上で実行することにより、上記のウェブテキスト抽出装置を実現することができる。

以下、図面を参照して本発明の好適な実施例について説明する。

［処理システム］
図１に、処理システム１の概略構成を示す。図１に示す処理システム１は、端末装置２とサーバ３とがネットワーク４を介して接続している。

端末装置２は、利用者によってウェブ画面上における文字列抽出処理が指定されたことを検知することにより、サーバから文字列抽出プログラムを受け取り、文字列抽出処理を行い、文字列抽出プログラムに定義した項目に該当する文字列をウェブ画面上のテキスト情報から取得する。

因みに端末装置２は、利用者が使用するパーソナルコンピュータ（以下、「ＰＣ」と呼ぶ。）や携帯電話といったネットワーク４を介してデータの授受が可能な端末装置である。

［処理システムの内部構成］
次に、図２に示す処理システム１の内部構成について説明する。図示のように端末装置２は、送受信手段２１、記憶手段２２、入力手段２３、表示手段２４、文字列抽出範囲決定手段２５、文字列抽出範囲の文字列取得手段２６、文字列抽出手段２７、文字列抽出結果記憶手段２８を有し、サーバ３は、送受信手段３１、記憶手段３２を有している。

端末装置２における送受信手段２１は、サーバ３とネットワーク４を介してデータ等を授受する手段であり、具体的には、文字列抽出プログラムをサーバ３から受信したり、文字列抽出処理終了通知をサーバ３へ行ったりする。

端末装置２における記憶手段２２は、サーバ３から受信した文字列抽出プログラムや、文字列を抽出した結果を記憶する手段である。

端末装置２における入力手段２３は、利用者がメニュー等の選択・決定を行う手段であり、具体的には、マウス、キーボード等である。

端末装置２における表示手段２４は、ウェブ画面等を表示する手段であり、具体的には、ディスプレイ等である。

端末装置２における文字列抽出範囲決定手段２５は、ユーザによる入力手段２３の結果に基づいて、又は、自動的にウェブ画面上の文字列抽出範囲を決定する手段である。

端末装置２における文字列抽出範囲の文字列取得手段２６は、文字列抽出範囲内の文字列を取得し、記憶手段２２に記憶する手段である。

端末装置２における文字列抽出手段２７は、文字列抽出プログラムを利用して、文字列抽出範囲内の文字列を解析し、項目毎に文字列を抽出する手段である。

端末装置２における文字列抽出結果記憶手段２８は、項目毎に抽出した文字列を記憶手段２２に記憶する手段である。

サーバ３における送受信手段３１は、端末装置２とネットワーク４を介してデータ等を授受する手段であり、具体的には、文字列抽出プログラムを端末装置２へ送信したり、文字列抽出処理終了通知を端末装置２から受信したりする。

サーバ３における記憶手段３２は、文字列抽出プログラム等、各種データを記憶する手段である。

［ウェブテキスト抽出方法］
次にウェブテキスト抽出方法について、具体的に述べる。図３は、ウェブテキスト抽出を行うウェブ画面（例えば、お気に入りの店の情報が表示されている画面）の例である。

端末装置２は、利用者が入力手段２３を介して画面表示を指定することにより、当該画面を表示手段２４に表示する。また、端末装置２は、利用者が入力手段２３を介して文字列抽出をする範囲（例えば、抽出範囲ＳＥＬ）を指定した後に入力手段２３を介してメニュー表示を指定すると、メニューＭ１を表示する。

図示のように、利用者が入力手段２３を介してメニューＭ１中の「文字列抽出」を指定すると、端末装置２は、サーバ３から文字列抽出プログラムを取得し、文字列抽出範囲決定手段２５は、文字列抽出範囲を抽出範囲ＳＥＬと決定する。

そして、文字列抽出範囲の文字列取得手段２６は、抽出範囲ＳＥＬ内の文字列である「居酒屋○○○ 定休日：日曜日コメント：どこか和風の佇まい。相性の良い気軽な惣菜が自慢。予算：昼１１００円夜６５００円座席：２５席住所ＡＡＡ県ＢＢＢ市ＤＤＤ町１−２−３ＴＥＬ０００−００００−００００」を取得し、記憶手段２２に保存する。

端末装置２は、文字列抽出範囲の文字列取得手段２６によって抽出範囲ＳＥＬ内の文字列を記憶手段２２に保存した後、端末装置２は、当該文字列抽出プログラムを実行することにより文字列抽出手段２７として機能し、記憶手段２２に保存した情報から、住所、電話番号等の文字列抽出プログラムで定義した項目に該当する文字列を抽出する。

図３の例では、文字列抽出手段２７は、「定休日」と記載されている行に「日曜日」と記載されているため、「定休日」が日曜日であると判断し、項目とその内容を関連付けた文字列（例えば、「定休日：日曜日」）を文字列抽出結果とする。

同様に、文字列抽出手段２７は、「コメント」が「どこか和風の佇まい。相性の良い気軽な惣菜が自慢。」、「住所」が「ＡＡＡ県ＢＢＢ市ＤＤＤ町１−２−３」、「電話番号」が「０００−００００−００００」であると判断し、項目とその内容を関連付けた文字列を文字列抽出結果とする。

因みに、文字列抽出手段２７は、「予算」が「昼１１００円夜６５００円」、「座席」が「２５席」であると判断できるが、これらの項目は、表示対象として、それほど重要でない項目であると文字列抽出プログラムで定義しているため、未分類文字列であることを示す文字列（例えば、「未分類文字列：昼１１００円夜６５００円２５席」。なお、これらが最終的に未分類文字列欄に表示されるときには、項目名も［予算］や［座席］として未分類文字列欄に表示される。例えば、「未分類文字列：［予算］昼１１００円夜６５００円［座席］２５席）を文字列抽出結果とする。ここで、未分類文字列とは、単独で表示すべき項目に分類されていない文字列のことを示す。

そして、文字列抽出手段２７は、「居酒屋○○○」が記載されている行に「店名」「名称」等の項目名が記載されていないため、未分類文字列であることを示す文字列を文字列抽出結果とする。文字列抽出結果記憶手段２８は、文字列抽出手段２７により抽出した文字列抽出結果を記憶手段２２に記憶する。

図４にウェブテキスト抽出を行った結果を基に生成した利用者専用のウェブ画面の例を示す。当該画面は、ウェブテキスト抽出処理終了後、サーバ３から端末装置２へ送信され、各種処理が行われた後、端末装置２によって表示手段２４に表示される。

端末装置２は、住所、電話番号、定休日、コメントに関する文字列抽出結果をそれぞれ住所情報表示領域ＥＤ３、電話番号表示領域ＥＤ４、定休日表示領域ＥＤ６、コメント表示領域ＥＤ７に表示する。また、端末装置２は、未分類文字列として抽出した文字列を未分類テキスト表示領域ＥＤ８に表示する。これにより、利用者が未分類文字列を適宜利用できる。さらに、住所に対応した地図画像を画面右側の地図表示領域ＭＰに表示している。

このように、端末装置２は、ウェブ画面から文字列を取得し、その文字列中から各種項目に該当する文字列を抽出し、その抽出結果を利用者用のウェブ画面に対して表示することにより、各種項目の情報を自動で表示している。これにより利用者は、利用者専用のウェブ画面に対する入力作業を軽減できる。

[ウェブテキスト抽出処理等の手順]
次に、図５のフローチャートを用いて、「ウェブテキスト抽出処理」及び「ウェブテキスト抽出処理により取得した文字列を別画面に表示する処理」の説明を行う。因みに「ウェブテキスト抽出処理」は、ステップＳ１からステップＳ７までの処理であり、「ウェブテキスト抽出処理により取得した文字列を別画面に表示する処理」は、ステップＳ８からステップＳ１０までの処理である。

端末装置２は、利用者が情報をコピーしたいページを表示手段２４に表示する（ステップＳ１）。利用者は画面を視認しながら、入力手段２３を介して文字列抽出範囲の指定・メニューから「文字列抽出」の選択を行う。

次に、端末装置２は、送受信手段２１を介してサーバ３へ文字列抽出プログラムの送信要求を行う（ステップＳ２）。因みに、本実施例における文字列抽出プログラムは、ＪａｖａＳｃｒｉｐｔ（登録商標）などにより生成することができる。

サーバ３は、端末装置２から文字列抽出プログラムの送信要求を受信すると、記憶手段３２に保存している文字列抽出プログラムを送受信手段３１を介して端末装置２へ送信する（ステップＳ３）。

端末装置２は、サーバ３から文字列抽出プログラムを取得すると、当該文字列抽出プログラムを記憶手段２２へ保存する。

文字列抽出範囲決定手段２５は、文字列抽出範囲を決定する（ステップＳ４）。文字列抽出範囲を決定した後、文字列抽出範囲の文字列取得手段２６は、文字列抽出範囲の文字列を取得し、当該文字列抽出範囲の文字列を記憶手段２２に保存する（ステップＳ５）。文字列抽出手段２７は、文字列抽出プログラムを実行することにより、記憶手段２２に保存した文字列抽出範囲の文字列に対して、文字列抽出処理を行う（ステップＳ６）。なお、文字列抽出処理の詳細については、後述する。

次に、文字列抽出手段２７は、文字列抽出処理を行うことにより、文字列抽出範囲の文字列から項目に対応した文字列抽出結果を取得する。文字列抽出結果記憶手段２８は、上記-文字列抽出手段２７により取得した文字列抽出結果を記憶手段２２に記憶する（ステップＳ７）。こうして、端末装置２は、文字列抽出処理を終了すると、文字列抽出処理の終了通知をサーバ３へ行う（ステップＳ８）。

サーバ３は、端末装置２から文字列抽出処理の終了通知を受信すると、ＨＴＭＬ（Hyper Text Markup Language）ファイルを端末装置２へ送信する（ステップＳ９）。

端末装置２は、サーバ３からＨＴＭＬファイルを受信すると、当該ＨＴＭＬファイルと記憶手段２２に保存した文字列抽出結果とを表示する（ステップＳ１０）。これにより、図４に例示するような、利用者専用のウェブ画面が端末装置２に表示される。

[文字列抽出処理手順]
次に図５におけるステップＳ６の文字列抽出処理について、図６のフローチャートを用いて説明する。

サーバ３から受信した文字列抽出プログラムを端末装置２が実行すると、まず、文字列抽出手段２７は、記憶手段２２に保存した文字列抽出範囲の文字列を改行コード毎に分割する（ステップＳ６１）。次に、文字列抽出手段２７は、各行の文字列に対して第１解析処理を行う（ステップＳ６２）。ここで第１解析処理とは、各行の文字列に、図７に示す複数の「項目」について、「項目を判断する文字列」が含まれるか否かを解析する処理である。

各行の文字列に「項目を判断する文字列」が含まれている場合は、項目名称と、その項目名称に対応する文字列を抽出対象の文字列とする。例えば、図３の例においては、２行目に項目を判断する文字列「定休日」が含まれているので、項目名称「定休日」に対応する文字列「日曜日」を抽出対象とする。因みに、図７の例では、１つの「項目」に対して「項目を判断する文字列」を複数設定しており、これにより、検索精度を上げることができる。

ステップＳ６２の第１解析処理を終了すると、文字列抽出手段２７は、分割した文字列に対して第２解析処理を行う（ステップＳ６３）。ここで第２解析処理とは、解析対象となる文字列に、都道府県名が含まれるか否かを解析する処理である。各行の文字列に都道府県名が含まれている場合は、住所情報として当該文字列を抽出対象の文字列とする。これにより、第１解析処理で住所項目と判断する文字列を含んでいない場合でも、住所として抽出することができる。ただし、都道府県名を含む文字列が住所を意味していない可能性があるため、第１解析処理で住所を抽出した場合は、第１解析処理の抽出結果を優先するように規定している。

ステップＳ６３の第２解析処理を終了すると、文字列抽出手段２７は、各行の文字列に対して第３解析処理を行う（ステップＳ６４）。ここで第３解析処理とは、各行の文字列に、重要度が低いと思われる情報に関する項目が含まれるか否かを解析する処理であり、本実施例では、図８に示す「項目を判断する文字列」が含まれるか否かを解析する処理である。

各行の文字列に図８の「項目を判断する文字列」を含んでいる場合は、項目毎に文字列を分割し、分割した文字列を未分類文字列としての抽出対象とする。一方、図８の「項目を判断する文字列」を含んでいない場合は、各行の文字列自体を未分類文字列としての抽出対象とする。

ステップＳ６４の第３解析処理を終了すると、文字列抽出手段２７は、文字列抽出処理を終了する。

なお、上記の第１解析処理では、同一の項目についての文字列が複数抽出された場合について、以下のルールに基づき、各項目に対応する文字列を１つに絞り、他の文字列を未分類文字列としての抽出対象とする。
（ルール１）図７の「項目を判断する文字列」について、左側の文字ほど優先度を高くする。
（ルール２）ルール１が同じ場合、行の先頭に近い文字を含む行ほど優先度が高い。
（ルール３）ルール２も同じ場合、ページ内で先の行ほど優先度が高い。

このようなルールを規定しておくことにより、利用者が利用するために望ましい情報を自動で表示できる可能性が高くなる。

また、低い優先度とした文字列についても、未分類文字列として抽出しているので、仮に、利用者が、低い優先度の文字列を各項目の情報として利用したい場合にも、自ら利用者専用のウェブ画面にコピー、貼り付けすることにより、低い優先度の文字列を簡易に利用することができる。

[他の実施例]
上記の実施例では、文字列抽出範囲の指定について、利用者自身がマウス等の入力手段２３により指定していたが、本発明の適用はこれには限られず、現在表示中のウェブ画面全体を自動的に文字列抽出範囲と決定してもよい。例えば、図９に示すように、利用者が文字列範囲を指定することなく、入力手段２３を介して、「メニュー３」を指定した後に表示されるメニューＭ２から「文字列抽出」を指定した場合に、文字列抽出範囲決定手段２５は、現在表示中のウェブ画面内の全テキストを文字列抽出範囲とみなしても良い。この場合、文字列抽出範囲の指定が不要なため、利用者が、簡易に文字列抽出処理の指定を行うことができる。

また、上記の実施例では、複数の項目について文字列抽出を実行していたが、本発明の適用は、これに限られず、必要な項目についてのみ文字列抽出を行えるようにしてもうよい。例えば、図１０に示すように、メニューＭ３に文字列抽出を行う項目毎の選択肢（「住所」文字列抽出）又は複数の項目をグループ化した選択肢（「住所・電話番号」文字列抽出）を生成することにより、文字列抽出を行う項目を限定しても良い。この場合、文字列抽出を行う項目を限定するため、文字列抽出処理の処理速度を上げることができる。

さらに、上記の実施例では、「端末装置２からサーバ３への文字列抽出プログラムの送信要求」（ステップＳ２）と「サーバ３から端末装置２へ文字列抽出プログラムを送信」（ステップＳ３）を、「文字列抽出範囲の決定」（ステップＳ４）と「文字列抽出範囲の文字列取得」（ステップ５）より先に行なう場合について述べたが、本発明の適用は、これに限られず、「文字列抽出範囲の決定」（ステップＳ４）と「文字列抽出範囲の文字列取得」（ステップ５）の後に、「端末装置２からサーバ３への文字列抽出プログラムの送信要求」（ステップＳ２）と「サーバ３から端末装置２へ文字列抽出プログラムを送信」（ステップＳ３）を行なっても良い。

処理システムの概念図である。処理システムのブロック図である。本実施例におけるウェブテキスト抽出対象画面を示す模式図である。本実施例におけるウェブテキスト抽出結果を表示する画面を示す模式図である。ウェブテキスト抽出処理等のフローチャートである。文字列抽出処理のフローチャートである。第１解析処理を行う項目と項目を判断する文字列の対応関係を示す図表である。第３解析処理を行う項目を示す図表である。他の実施例におけるウェブテキスト抽出対象画面を示す模式図である。他の実施例におけるウェブテキスト抽出対象画面を示す模式図である。

符号の説明

１処理システム
２端末装置
３サーバ
４ネットワーク
２５文字列抽出範囲指定手段
２６文字列抽出範囲の文字列取得手段
２７文字列抽出手段
２８文字列抽出結果記憶手段

Claims

ウェブ画面上における文字列の抽出範囲を決定する抽出範囲決定手段と、
前記抽出範囲内の文字列を取得する文字列取得手段と、
前記抽出範囲内の文字列について解析を行い、１又は複数の項目に対応する検索文字列を用いて、項目の内容を意味する文字列を抽出する文字列抽出手段と、
前記文字列抽出手段が抽出した文字列を記憶する文字列抽出結果記憶手段と、を備え、
前記文字列抽出手段は、前記項目の内容を意味する文字列以外の文字列を未分類文字列として別途抽出し、
前記文字列抽出手段は、複数項目間で定義されている優先順位が所定の優先順位より高い項目の内容を意味する文字列については、前記優先順位が高い項目に対応する文字列として抽出し、前記優先順位が前記所定の優先順位より低い項目の内容を意味する文字列については、前記優先順位が低い項目の内容を意味する文字列と前記優先順位が低い項目の名称とを関連付けた文字列を未分類文字列として抽出することを特徴とするウェブテキスト抽出装置。
前記文字列抽出手段は、１項目あたり複数の検索文字列を用いて項目の内容を意味する文字列を抽出することを特徴とする請求項１に記載のウェブテキスト抽出装置。
前記文字列抽出手段は、同一項目で、項目の内容を意味する文字列を複数抽出した場合、所定の優先順位に基づいて、１つの文字列を項目の内容を意味する文字列として抽出し、他の文字列を未分類文字列として抽出することを特徴とする請求項１又は２に記載のウェブテキスト抽出装置。
抽出範囲決定手段は、前記ウェブ画面内の利用者により指定された範囲を前記抽出範囲と決定することを特徴とする請求項１乃至３のいずれか一項に記載のウェブテキスト抽出装置。
抽出範囲決定手段は、前記ウェブ画面内の全範囲を前記抽出範囲と決定することを特徴とする請求項１乃至３のいずれか一項に記載のウェブテキスト抽出装置。
ウェブ画面上における文字列の抽出範囲を決定する抽出範囲決定工程と、
前記抽出範囲内の文字列を取得する文字列取得工程と、
前記抽出範囲内の文字列について解析を行い、１又は複数の項目に対応する検索文字列を用いて、項目の内容を意味する文字列を抽出する文字列抽出工程と、
前記文字列抽出工程で抽出した文字列を記憶する文字列抽出結果記憶工程と、を備え、
前記文字列抽出工程は、前記項目の内容を意味する文字列以外の文字列を未分類文字列として別途抽出し、
前記文字列抽出工程は、複数項目間で定義されている優先順位が所定の優先順位より高い項目の内容を意味する文字列については、前記優先順位が高い項目に対応する文字列として抽出し、前記優先順位が前記所定の優先順位より低い項目の内容を意味する文字列については、前記優先順位が低い項目の内容を意味する文字列と前記優先順位が低い項目の名称とを関連付けた文字列を未分類文字列として抽出することを特徴とするウェブテキスト抽出方法。
コンピュータを備える装置において実行され、
ウェブ画面上における文字列の抽出範囲を決定する抽出範囲決定手段、
前記抽出範囲内の文字列を取得する文字列取得手段、
前記抽出範囲内の文字列について解析を行い、１又は複数の項目に対応する検索文字列を用いて、項目の内容を意味する文字列を抽出する文字列抽出手段、
前記文字列抽出手段が抽出した文字列を記憶する文字列抽出結果記憶手段、として前記コンピュータを機能させ、
前記文字列抽出手段は、前記項目の内容を意味する文字列以外の文字列を未分類文字列として別途抽出し、
前記文字列抽出手段は、複数項目間で定義されている優先順位が所定の優先順位より高い項目の内容を意味する文字列については、前記優先順位が高い項目に対応する文字列として抽出し、前記優先順位が前記所定の優先順位より低い項目の内容を意味する文字列については、前記優先順位が低い項目の内容を意味する文字列と前記優先順位が低い項目の名称とを関連付けた文字列を未分類文字列として抽出することを特徴とするウェブテキスト抽出プログラム。