JPH11191112A - テンプレートによる文字抽出方法 - Google Patents

Abstract

(57)【要約】 【課題】 少なくとも文字列のテキストを持った文書デ
ータや図面データからなる文字抽出対象データから容易
に所望の文字情報を抽出することができるテンプレート
による文字抽出方法を提供する。 【解決手段】 少なくとも文字列のテキストを持った文
書データや図面データからなる文字抽出対象データと、
文字抽出対象データ内の所望の文書データや図面データ
中の文字を抽出したい指定領域を１又は複数箇所指定す
るとともに各指定領域にそれぞれ所定の指定領域名称を
付与してなるテンプレートを保存しておくテンプレート
情報ファイルと、抽出した文字を保存する文字抽出ファ
イルとを用意しておく。文字抽出対象データ中の所望の
文書データや図面データから、テンプレート情報ファイ
ル中の所望のテンプレートの指定領域内にある文字情報
を抽出し、これを指定領域名称毎に分類して文字抽出フ
ァイルに保存する。

Description

【発明の詳細な説明】

【０００１】

【発明の属する技術分野】本発明は、少なくとも文字列
のテキストを持った文書データや図面データからなる文
字抽出対象データから所望の文字情報を容易に抽出でき
るテンプレートによる文字抽出方法に関するものであ
る。

【０００２】

【従来の技術】デジタル化されたデータの中に少なくと
も文字列のテキストを持った文書データや図面データ内
から、ある特定領域内にある文字を抽出する方法として
従来、抽出しようとする文字列に文書データや図面デー
タを作成する時点で予め属性情報を設定しておき、特殊
な文字抽出用のプログラムを使うことで、前記文書デー
タや図面データの中から予め設定した属性と合致する文
字列を抽出するという抽出方法があった。

【０００３】

【発明が解決しようとする課題】しかしながら上記従来
の方法の場合、文書データや図面データを作成する時点
で属性情報を設定しなければならないことや、文字抽出
のためのプログラムを個別に作成せざるを得ないことな
ど、複雑な作業が必要で煩雑であった。

【０００４】本発明は上述の点に鑑みてなされたもので
ありその目的は、少なくとも文字列のテキストを持った
文書データや図面データからなる文字抽出対象データか
ら容易に所望の文字情報を抽出することができるテンプ
レートによる文字抽出方法を提供することにある。

【０００５】

【課題を解決するための手段】上記問題点を解決するた
め本発明は、少なくとも文字列のテキストを持った文書
データや図面データからなる文字抽出対象データと、前
記文字抽出対象データ内の所望の文書データや図面デー
タ中の文字を抽出したい指定領域を１又は複数箇所指定
するとともに各指定領域にそれぞれ所定の指定領域名称
を付与してなるテンプレートを保存しておくテンプレー
ト情報ファイルと、抽出した文字を保存する文字抽出フ
ァイルとを用意し、前記文字抽出対象データ中の所望の
文書データや図面データから、前記テンプレート情報フ
ァイル中の所望のテンプレートの指定領域内にある文字
情報を抽出し、これを指定領域名称毎に分類して文字抽
出ファイルに保存するように電子計算機を用いて処理す
るように構成した。

【０００６】つまり本発明によれば、テンプレート情報
ファイル中の所定のテンプレートに文字を抽出したい領
域を指定領域として設定するだけで、文字抽出対象デー
タとなる文書データや図面データを作成する時点では何
ら属性情報を設定していなくても、テンプレートの指定
領域内にある文字情報が後になっても容易に抽出でき
る。

【０００７】特に定形化した文書データ・図面データに
対しては、文字抽出対象データ中に多数保存された文書
データ・図面データの内の所望の文書データや図面デー
タを指定すると共に、テンプレート情報ファイルに多数
保存されたテンプレート（何れにも「テンプレート名
称」が付与されている）の内の所望のテンプレートを指
定することにより、簡単に所望の文書データや図面デー
タ中の特定領域の文字列の抽出が可能になり、更には別
途用意するデータベースの指定箇所へ格納することがで
きる。

【０００８】また多量の定形文書データや図面データか
ら特定の位置にある有用な情報を所望のテンプレートで
抽出してデータベースを作成することができれば、文書
データや図面データ情報の二次利用が大幅に向上する。
即ち例えば図面データの表題欄には、図名，図番，設計
者名，日付等の情報が含まれているが、これらをテンプ
レートで抽出することができれば、未整理で放置してあ
った多量の図面ファイルについても、後からでも容易に
有用情報を取り出すことができる。

【０００９】

【発明の実施の形態】以下、本発明の実施形態を図面に
基づいて詳細に説明する。ここで図１０は本発明に用い
る電子計算機の一例を示す概略ブロック図である。同図
に示す電子計算機は少なくとも、ＣＰＵ１０と主記憶装
置２０とチャネル３０と入出力装置４０と外部記憶装置
５０とを具備しており、入出力装置４０のキーボードや
マウスやディスプレー等において下記する各種情報の入
出力を行なうと共に、本発明に用いるプログラムや各種
ファイルのデータは外部記憶装置５０に記憶され、必要
に応じて主記憶装置２０に転送される。なお電子計算機
の構成は種々の構成が考えられ、この構成のみに限定さ
れるものではない。

【００１０】そして本実施形態においては、図１に示す
ように文字抽出対象データと、テンプレート情報ファイ
ルとを用いて、文字抽出対象データ中の所望の文字情報
を抽出し、これを文字抽出ファイルに保存するように構
成した。

【００１１】ここでまず文字抽出対象データは、例えば
同様の様式（定型様式）に乗っ取って作成された多数の
文書データや図面データなどである。即ち例えば図２に
示すような所定形式となっている書類（文書Ａ）であ
り、客先名として例えば「ＡＡＡＡＡ」、注文番号とし
て例えば「ＢＢＢＢＢ」、製品名として「ＣＣＣＣ
Ｃ」、発注日として「ＤＤＤＤＤ」と定形事項が記載さ
れ、その下に所望の文書が記載されたものである。

【００１２】この文字抽出対象データ中の文書データや
図面データは、位置情報を備え持ったデジタル化（狭義
に表現すると、ポータブル・ドキュメント・フォーマッ
ト形式化）された文書データや図面データである。この
文書データや図面データには多様な情報がデジタル化さ
れて記録されているが、例えば図１１に示すように、各
種情報とともに、文字データの部分には、文字列の左上
の座標（Ｘ１，Ｙ１）と、文字列のテキスト「ＡＢＣ
Ｄ」と、文字のサイズと、文字列の角度「θ」と、文字
に指定されているフォントと、文字と文字との間隔
「ｓ」と、文字の色のデータが含まれている。

【００１３】次に図３はテンプレートの概略作成フロー
図である。同図に示すようにテンプレートを作成するに
はまず、記憶されている文字抽出対象データファイル中
から例えば図２に示す文書データ（文書Ａ）を１つ呼び
出してディスプレーに閲覧表示する（ステップ１）。

【００１４】次に該画面上で抽出したい文字の領域（指
定領域）を指定する（ステップ２）。該指定が終了する
と、この指定領域に対する指定領域名称を問いかけて該
名称を入力させる（ステップ３）。この指定領域と指定
領域名称の入力は指定したい指定領域の数だけ繰り返し
行なわれる（ステップ４）。

【００１５】以上の指定の全てが終了すると、次にこの
テンプレート全体の名称であるテンプレート名称を問い
かけて該テンプレート名称を入力させる（ステップ
５）。

【００１６】そしてこのテンプレートデータをテンプレ
ート情報ファイルに転送して記憶する（ステップ６）。

【００１７】具体的にいえば図４に示すように、対角線
方向に点（ｘ１，ｙ１）と点（ｘ２，ｙ２）を指定する
ことによって指定領域を指定した後、指定領域名称とし
て例えば「客先」を入力する。

【００１８】次に同様に対角線方向に点（ｘ３，ｙ３）
と点（ｘ４，ｙ４）を指定することによって指定領域を
指定した後、指定領域名称として例えば「注番」を入力
する。

【００１９】次に同様に対角線方向に点（ｘ５，ｙ５）
と点（ｘ６，ｙ６）を指定することによって指定領域を
指定した後、指定領域名称として例えば「製品名」を入
力する。

【００２０】次に同様に対角線方向に点（ｘ７，ｙ７）
と点（ｘ８，ｙ８）を指定することによって指定領域を
指定した後、指定領域名称として例えば「発注日」を入
力する。

【００２１】そしてテンプレート名称を例えば「受注書
類Ａ」とし、このテンプレートデータをテンプレート情
報ファイルに転送して記憶するのである。

【００２２】ここでテンプレート情報として転送される
データの内容は以下の通りである。 １つのテンプレート名称 １又は複数の領域名称 各領域名称毎の領域範囲の対角座標値〔例えば（ｘ
１，ｙ１），（ｘ２，ｙ２）等〕

【００２３】上記テンプレート情報の保存形態は、図５
（ａ）に示すように各テンプレート名称毎に単独ファイ
ルを作成して保存するか、或いは図５（ｂ）に示すよう
に複数のテンプレート名称に含まれるデータ全てを１つ
のファイルとして作成して保存する２つの形態がある。

【００２４】次に図６（ａ），（ｂ）は前記テンプレー
ト情報ファイルを利用して前記文字抽出対象データから
文字抽出を行なう文字抽出操作フローを示す図である。

【００２５】テンプレートを用いて文字抽出対象の文書
データや図面データから文字抽出を行なう操作方法には
以下の２通りがある。

【００２６】図６（ａ）に示すように、文字抽出対象
データファイルから所望の文書データ又は図面データを
ディスプレーに閲覧表示し（ステップ１）、該表示状態
のまま、使用するテンプレート名称と抽出後の文字デー
タを保存する文字抽出ファイル名称とを入力し（ステッ
プ２，３）、文字抽出処理を行なった後に（ステップ
４）、該抽出文字データを前記文字抽出ファイル名称と
ともに文字抽出ファイルに転送・保存する（ステップ
５）方法。

【００２７】図６（ｂ）に示すように、文書データや
図面データを閲覧表示しないまま、文字抽出対象データ
ファイル中の抽出対象となる１又は複数のファイル名称
と、所望の使用するテンプレート名称と、抽出後の文字
データを保存する文字抽出ファイル名称とを入力し（ス
テップ１，２，３）、文字抽出処理を行なった後に（ス
テップ４）、該抽出文字データを文字抽出ファイル名称
とともに文字抽出ファイルに転送・保存する（ステップ
５）方法。いわゆるバッチ処理方法である。

【００２８】ここで図７は前記図６（ａ），（ｂ）それ
ぞれのステップ４における文字抽出処理の処理フロー図
である。同図に示すように文字抽出を行なうには、まず
テンプレート情報ファイルから指定されたテンプレート
名称のテンプレートに設定されている１又は複数の指定
領域名称と各指定領域の対角座標値を読み込む（ステッ
プ１）。次に図６（ａ）の場合はディスプレーに閲覧表
示されている文書データや図面データを取り込む、或い
は図６（ｂ）のバッチ処理の場合には文字抽出対象デー
タファイルから指定された１又は複数のファイル名称の
文書データや図面データを取り込む（ステップ２）。そ
して該取り込んだ文書データや図面データから指定領域
の対角座標値内にある文字列を抽出する（ステップ
３）。

【００２９】抽出される文字抽出データは以下の通りで
ある。 文字抽出ファイル名称 指定領域名称とその指定領域で抽出された文字列（指
定領域の数の分だけ）

【００３０】例えば、図８に示すような同一形式の多数
の文書Ａ，Ｂ，Ｃ，・・・のデータが文字抽出対象デー
タとして記憶装置に入力されていたとして、前記図４に
示すテンプレート（テンプレート名称「受注書類Ａ」）
を使用して文字抽出を行なうと、図９に示すように、各
文書Ａ，Ｂ，Ｃ，・・・からそれぞれ必要とする文字デ
ータが文字抽出ファイルに、文字抽出ファイル名称「抽
出事項Ａ」のファイルとして得られる。

【００３１】

【発明の効果】以上詳細に説明したように本発明によれ
ば、テンプレートに文字を抽出したい領域を指定領域と
して指定するという簡単な操作をするだけで、文字抽出
対象データとなる文書データや図面データを作成する時
点では何らこれらに属性情報を設定していなくても、該
テンプレートに保存した指定領域内にある文字情報が後
になっても容易に抽出できるという優れた効果を有す
る。

【図面の簡単な説明】

【図１】本発明の一実施形態にかかる文字抽出処理の概
略図である。

【図２】文字抽出対象データの一例を示す図である。

【図３】テンプレートの概略作成フロー図である。

【図４】テンプレートの指定領域入力方法の具体例を示
す図である。

【図５】テンプレート情報の保存形態を示す図である。

【図６】文字抽出操作フローを示す図である。

【図７】文字抽出処理の処理フロー図である。

【図８】文字抽出対象データの一例を示す図である。

【図９】文字抽出データの一例を示す図である。

【図１０】本発明に用いる電子計算機の一例を示す概略
ブロック図である。

【図１１】文字データの内容を示す図である。

Claims (1)

【特許請求の範囲】
1. 【請求項１】 少なくとも文字列のテキストを持った文
   書データや図面データからなる文字抽出対象データと、 前記文字抽出対象データ内の所望の文書データや図面デ
   ータ中の文字を抽出したい指定領域を１又は複数箇所指
   定するとともに各指定領域にそれぞれ所定の指定領域名
   称を付与してなるテンプレートを保存しておくテンプレ
   ート情報ファイルと、 抽出した文字を保存する文字抽出ファイルとを用意し、 前記文字抽出対象データ中の所望の文書データや図面デ
   ータから、前記テンプレート情報ファイル中の所望のテ
   ンプレートの指定領域内にある文字情報を抽出し、これ
   を指定領域名称毎に分類して文字抽出ファイルに保存す
   るように電子計算機を用いて処理することを特徴とする
   テンプレートによる文字抽出方法。