JPWO2006046523A1 - 文書解析システム、及び文書適応システム - Google Patents

Abstract

本発明は、提供者が意図するレイアウト解析、網羅的なタイトル解析が可能で、解析されたレイアウトを第三者が利用できる文書解析システムを提供する。入力部１１は、構造化・半構造化文書を取得、レンダリングする。基本レイアウト解析部１４は、レンダリング結果を取得し、文書記述要素の配置を参照し、一定の方向に並置された文書記述要素をグループ化しレイアウトを解析する。タイトル解析部１５は、レンダリング結果、タイトル解析ルール記憶部２３からタイトル解析ルールを取得し、文書記述要素の名前、属性、スタイル、内容をタイトル解析ルールと照合しタイトルを解析する。レイアウト解析部１６は、レイアウトの構成要素とその階層関係、タイトルを取得し、レイアウトの構成要素をグループ化し新しいレイアウトを生成する。出力部１３は、新しいレイアウトの構成要素とその階層関係、各構成要素とタイトルとの対応関係を取得し、これらを文書記述要素の参照を用いて表現する形式に整形し出力する。

Description

本発明は、構造化・半構造化文書からレイアウトを解析できる文書解析システム、文書解析方法、文書解析用プログラム、及び構造化・半構造化文書をレイアウトを利用して環境に適応できる文書適応システム、文書適応方法、文書適応プログラムに関する。

従来の文書解析システム、文書適応システムは、構造化・半構造化文書をレイアウトを保持したまま所望の表示条件で表示するため、文書記述要素の区切りの強さを用いてレイアウトを解析し、解析されたレイアウトの構成要素に表示領域を割り当て、構成要素の情報を各表示領域内に拡大表示といった所望の表示条件で表示したり、構成要素内のタイトルを各表示領域内に選択的に表示したりしていた（特開２００１−１８４３４４号公報参照）。

ここで、文書記述要素とは、構造化・半構造化文書の記述単位となる要素を指し、例えば、ＨＴＭＬ文書における、ＴＡＢＬＥ要素、Ａ要素といったＨＴＭＬタグの要素を指す。また、レイアウトの構成要素とは、画面に代表される表示面を構成する、関連情報からなる部分領域を指し、例えば、ＨＴＭＬ文書におけるある見出しの関連情報からなる部分領域を指す。

また、画面表示に適した文書を生成するため、文書記述要素の名前を用いたルールに従い特定の名前を持つ文書記述要素から目次文書を生成したり、目次の項目の内容を記述した文書を生成したりしていた（特開平９−２５１４５７号公報参照）。

更に、ユーザが所望する文書を生成するため、構造化・半構造化文書のＵＲＬ、各文書の必要情報の存在箇所を示す文書記述要素の参照、当該必要情報を表示する領域に関するルールに従い必要情報からなる合成文書を生成していた（特開２００４−１３９２７５号公報参照）。

本発明に関連して、特開平１０−２８９２５０号公報は、登録されたＵＲＬの一覧を表示する際に、タイトル情報のみならず画像情報も表示させることにより、登録されたＵＲＬのページがどのようなページであったかを直感的に認識可能にする技術を開示している。

特開平１１−２０３２８５号公報は、文書要素の行内位置を示す行属性を各行毎に決定し、文書要素を構成する各形態素の意味と文書要素の所属行の行属性とに基づいて文書要素の意味を各行毎に決定し、元文書の各文書要素を的確に意味付けする技術を開示している。

特開２００３−８５１５９号公報は、所望の構造化文書群の先頭文書を解析して自動的に目次を作成し、この目次と関連文書の画像データを合成することにより、読みやすい文書をユーザに提供する技術を開示している。

特開２００４−８６８５５号公報は、文書の内容と目次とを相互に参照しながら文書の作成編集を行うことを容易にするための技術を開示している。具体的には、この公知の技術では、文書の目次を生成する際に、目次項目に対応する文書内容情報を生成するためのリンクが埋め込まれる。そして、そのリンクを指示することによって、その目次項目を含む文書内容情報が生成される。生成の際に、目次の出力を指示するためのリンクを文書内容情報中に埋め込んでおく。文書内容情報中のリンクを指示することによって、その文書の内容に対応する目次項目を含む目次が生成される。この場合も、目次項目に対応する文書内容情報を生成するためのリンクが目次に埋め込まれる。

特開２００３−２８８３３４号公報は、複数ページからなる印刷文書からタグ付けされた構造文書を高精度に生成するための技術を開示している。

特開２００３−３３０８５６号公報は、ズーム状態を変更する操作に応じてレイアウト生成及び情報粒度の調整を動的に行うことにより、コンテンツの局所的な情報と大域的な情報の両方に快適にアクセスすることを可能にする技術を開示している。

従来技術における第１の問題点は、構造化・半構造化文書の文書解析システムにおいて、文書提供者が意図するレイアウトを必ずしも解析できないことである。その理由は、文書の記述方法は多様であるため、文書記述要素の区切りの強さを用いたレイアウト解析では文書提供者が意図するレイアウトを必ずしも解析できないないからである。

従来技術における第２の問題点は、構造化・半構造化文書の文書解析システムにおいて、一部のタイトルしか解析できないことである。その理由は、一般的にタイトルは文書記述要素の名前、属性、スタイル、内容を用いて表現されるため、文書記述要素の名前のみを用いたルールに従うタイトル解析では一部のタイトルしか解析できないからである。

従来技術における第３の問題点は、構造化・半構造化文書の文書解析システムにおいて、第三者が解析されたレイアウトの情報を利用しアプリケーションソフトウェアを開発できないことである。その理由は、従来の文書解析システムが、解析されたレイアウトの情報を第三者が利用できる形式で出力しないからである。

従来技術における第４の問題点は、構造化・半構造化文書の文書適応システムにおいて、文書提供者が意図する文書の論理構造を的確に捉えて、文書をネットワーク、端末、ユーザの環境に適応できないことである。その理由は、文書記述要素の名前を用いたルールに従い目次文書を生成する場合、一部のタイトルしか解析できず目次文書を正しく生成できないからである。また、文書のＵＲＬ（Ｕｎｉｆｏｒｍ Ｒｅｓｏｕｒｃｅ Ｌｏｃａｔｏｒ）、文書の必要情報の存在箇所を示す文書記述要素の参照を用いてユーザが定義したルールに従い合成文書を生成する場合、文書更新時にユーザが所望する合成文書を正しく生成できない場合があり、これらのルールでは文書提供者が意図する文書の論理構造を的確に捉えられないからである。

本発明の第１の目的は、文書提供者が意図するレイアウトを解析できる文書解析システムを提供することにある。
本発明の第２の目的は、タイトルを網羅的に解析できる文書解析システムを提供することにある。
本発明の第３の目的は、第三者が利用しアプリケーションソフトウェアを開発できる形式でレイアウトの情報を出力できる文書解析システムを提供することにある。
本発明の第４の目的は、文書提供者が意図する文書の論理構造を的確に捉えて、文書をネットワーク、端末、ユーザの環境に適応できる文書適応システムを提供することにある。

本発明の一の観点において、文書解析システムは、構造化文書又は半構造化文書に含まれる文書記述要素の配置を参照し、一定の方向に並置された前記文書記述要素をグループ化して前記構造化文書又は前記半構造化文書のレイアウトを解析する基本レイアウト解析部を具備する。

本発明の文書解析システムは、構造化文書又は半構造化文書の文書記述要素の名前、属性、スタイル、内容のいずれか１つ以上の値に基づくタイトル解析ルールを記憶するタイトル解析ルール記憶部と、前記構造化文書又は前記半構造化文書に含まれる文書記述要素の名前、属性、スタイル、内容のいずれか１つ以上と前記タイトル解析ルールとを照合してタイトルを解析するタイトル解析部と、前記基本レイアウト解析部で解析された前記レイアウトと、前記タイトル解析部で解析された前記タイトルとを用いて前記レイアウトの構成要素をグループ化し、新しいレイアウトを生成するレイアウト解析部を具備する。

本発明の文書解析システムにおいて、前記レイアウト解析部は前記基本レイアウト解析部で解析された前記レイアウトと、前記タイトル解析部で解析された前記タイトルと、前記レイアウト解析部で解析された前記新しいレイアウトとを用いて前記レイアウトの主要な構成要素を選別するブロック選別部と、前記基本レイアウト解析部で解析された前記レイアウトと、前記レイアウト解析部で解析された前記新しいレイアウトと、前記ブロック選別部で選別された前記レイアウトの主要な構成要素とを用いて前記レイアウトの構成要素をグループ化し、新しいレイアウトを生成するセクション計算部を具備する。

本発明の文書解析システムにおいて、前記基本レイアウト解析部は、前記グループ化された文書記述要素以下の前記文書記述要素の配置を参照し、直前のグループ化に用いられた方向の直交方向に並置された前記文書記述要素をグループ化する処理を所定の回数繰り返してレイアウトを解析する。

本発明の文書解析システムにおいて、前記基本レイアウト解析部は、前記グループ化された文書記述要素以下の前記文書記述要素の配置を参照し、直前のグループ化に用いられた方向の直交方向に並置された前記文書記述要素をグループ化する処理を所定の回数繰り返して次階層のレイアウトを解析する。

本発明の文書解析システムにおいて、前記基本レイアウト解析部は、前記文書記述要素のうち一部の指定された文書記述要素のみの配置を参照する。

本発明の他の観点において、文書解析システムは、構造化文書又は半構造化文書の文書記述要素の名前、属性、スタイル、内容のいずれか１つ以上の値に基づくタイトル解析ルールを記憶するタイトル解析ルール記憶部と、前記構造化文書又は前記半構造化文書に含まれる文書記述要素の名前、属性、スタイル、内容のいずれか１つ以上と前記タイトル解析ルールとを照合してタイトルを解析するタイトル解析部とを具備する。

本発明の更に他の観点において、文書解析システムは、構造化文書又は半構造化文書のレイアウト及びタイトルを、前記構造化文書又は前記半構造化文書に含まれる文書記述要素を参照する表現形式に整形し出力する出力部を具備する。

本発明の更に他の観点において、本発明の文書適応システムは、構造化文書又は半構造化文書と、前記構造化文書又は前記半構造化文書のレイアウトの情報が記述された文書を用いて目次文書を生成、出力する目次文書出力部と、前記構造化文書又は前記半構造化文書と、前記レイアウトの情報が記述された文書を用いて目次の項目の内容を記述した文書を生成、出力する項目文書出力部とを具備する。

本発明の更に他の観点において、本発明の文書適応システムは、前記構造化文書又は前記半構造化文書のＵＲＩ（Ｕｎｉｖｅｒｓａｌ Ｒｅｓｏｕｒｃｅ Ｉｄｅｎｔｉｆｉｅｒ）と、前記構造化文書又は前記半構造化文書の出力構成要素のＩＤの組み合わせの集合を出力構成要素情報として記憶する出力構成要素情報記憶部と、前記出力構成要素情報と前記出力構成要素情報に記述されたＵＲＩに対応する前記構造化文書又は前記半構造化文書と前記構造化文書又は前記半構造化文書に対応するレイアウトの情報が記述された文書を用いて合成文書を生成し出力する合成文書出力部とを具備する。

本発明の文書解析方法及び文書解析プログラムは、構造化文書又は半構造化文書に含まれる文書記述要素の配置を参照し、一定の方向に並置された前記文書記述要素をグループ化して前記構造化文書又は前記半構造化文書のレイアウトを解析するステップを具備する。

本発明の文書解析方法及び文書解析プログラムは、前記構造化文書又は前記半構造化文書の文書記述要素の名前、属性、スタイル、内容のいずれか１つ以上の値に基づくタイトル解析ルールを記憶するステップと、前記構造化文書又は前記半構造化文書に含まれる前記文書記述要素の名前、属性、スタイル、内容のいずれか１つ以上と前記タイトル解析ルールとを照合してタイトルを解析するステップと、前記解析されたレイアウトと前記解析されたタイトルを用いて前記レイアウトの構成要素をグループ化し、新しいレイアウトを生成するステップを具備する。

本発明の文書解析方法及び文書解析プログラムは、前記レイアウトを解析するステップにおいて、前記グループ化された文書記述要素以下の前記文書記述要素の配置を参照し、直前のグループ化に用いられた方向の直交方向に並置された前記文書記述要素をグループ化する処理を所定の回数繰り返してレイアウトを解析するステップを具備する。

本発明の文書解析方法及び文書解析プログラムは、前記レイアウトを解析するステップにおいて、前記グループ化された文書記述要素以下の前記文書記述要素の配置を参照し、直前のグループ化に用いられた方向の直交方向に並置された前記文書記述要素をグループ化する処理を所定の回数繰り返して次階層のレイアウトを解析するステップを具備する。

本発明の文書解析方法及び文書解析プログラムは、前記レイアウトを解析するステップにおいて、前記文書記述要素のうち一部の指定された文書記述要素のみの配置を参照する。

本発明の文書解析方法及び文書解析プログラムは、構造化文書又は半構造化文書の文書記述要素の名前、属性、スタイル、内容のいずれか１つ以上の値に基づくタイトル解析ルールを記憶するステップと、前記構造化文書又は前記半構造化文書に含まれる文書記述要素の名前、属性、スタイル、内容のいずれか１つ以上と前記タイトル解析ルールとを照合してタイトルを解析するステップとを具備する。

本発明の文書解析方法及び文書解析プログラムは、構造化文書又は半構造化文書のレイアウト及びタイトルを、前記構造化文書又は前記半構造化文書に含まれる文書記述要素を参照する表現形式に整形し出力するステップを具備する。

本願発明の文書適応方法及び文書適応プログラムは、構造化文書又は半構造化文書と、前記構造化文書又は前記半構造化文書のレイアウトの情報が記述された文書を用いて目次文書を生成、出力するステップと、前記構造化文書又は前記半構造化文書と、前記レイアウトの情報が記述された文書を用いて目次の項目の内容を記述した文書を生成、出力するステップとを具備する。

本発明の文書適応方法及び文書適応プログラムは、構造化文書又は半構造化文書のＵＲＩと、前記構造化文書又は前記半構造化文書の出力構成要素のＩＤの組み合わせの集合を出力構成要素情報として出力構成要素情報記憶部に記憶するステップと、前記出力構成要素情報と、前記出力構成要素情報に記述されたＵＲＩに対応する前記構造化文書又は前記半構造化文書と、前記構造化文書又は前記半構造化文書に対応するレイアウトの情報が記述された文書を用いて合成文書を生成、出力するステップとを具備する。

第１の効果は、文書提供者が意図するレイアウトを解析できることである。その理由は、文書記述要素の配置に基づきレイアウトを解析するからである。また、文書記述要素の配置に基づき解析されたレイアウトと、文書記述要素の名前に加え、属性、スタイル、内容を用いて解析されたタイトルを用いて、先に解析されたレイアウトの構成要素をグループ化することでタイトルなどをキーとする関連した構成要素の集合を新しい構成要素とする新しいレイアウトを生成するからである。

第２の効果は、タイトルを網羅的に解析できることである。その理由は、文書記述要素の名前に加え、属性、スタイル、内容を用いてタイトルを解析するからである。

第３の効果は、第三者が利用しアプリケーションソフトウェアを開発できる形式でレイアウトの情報を提供できることである。その理由は、解析されたレイアウトとタイトルを、レイアウトの構成要素とタイトルを文書記述要素の参照を用いて表現する形式で出力するからである。

第４の効果は、文書提供者が意図する文書の論理構造を利用して、文書をネットワーク、端末、ユーザの環境に適応できることである。その理由は、構造化・半構造化文書に加え、文書提供者が意図する文書の論理構造を反映するレイアウトの情報が記述された文書を用いて、文書を環境に適応するからである。

他にも、本発明は、文書の概要を表示する機能や音声読み上げする機能、文書の項目を選択的に表示する機能といった文書の論理構造を利用した文書閲覧システムや、文書閲覧システムをコンピュータに実現するためのプログラムといった用途に適用できる。また、文書の概要を生成する機能や概要に応じて文書を分割する機能、文書の項目を選択的に合成する機能といった文書の論理構造を利用した文書変換システムや、文書変換システムをコンピュータに実現するためのプログラムといった用途にも適用できる。

本発明の第１の発明を実施するための実施形態の構成を示すブロック図である。 本発明の第１の発明を実施するための実施形態の動作を示す流れ図である。 ＨＴＭＬ文書の例を示す図である。 本発明の第１の実施形態を説明するための図である。 本発明の第１の実施形態を説明するための図である。 本発明の第１の実施形態を説明するための図である。 本発明の第１の実施形態を説明するための図である。 本発明の第１の実施形態を説明するための図である。 本発明の第１の実施形態を説明するための図である。 本発明の第１の実施形態の出力形式の例を示す図である。 本発明の第２の発明を実施するための実施形態の構成を示すブロック図である。 本発明の第２の発明を実施するための実施形態の動作を示す流れ図である。 本発明の第２の実施形態のタイトル解析ルールの例を示す図である。 本発明の第２の実施形態を説明するための図である。 本発明の第２の実施形態の出力形式の例を示す図である。 本発明の第３の発明を実施するための実施形態の構成を示すブロック図である。 本発明の第３の発明を実施するための実施形態の動作を示す流れ図である。 本発明の第３の実施形態を説明するための図である。 本発明の第３の実施形態を説明するための図である。 本発明の第３の実施形態を説明するための図である。 本発明の第３の実施形態の出力形式の例を示す図である。 本発明の第４の発明を実施するための実施形態の構成を示すブロック図である。 本発明の第４の発明を実施するための実施形態の動作を示す流れ図である。 ＨＴＭＬ文書とＸＭＬ文書の例のうちＨＴＭＬ文書を示す図である。 ＨＴＭＬ文書とＸＭＬ文書の例のうちＸＭＬ文書を示す図である。 本発明の第４の実施形態の目次文書の例を示す図である。 本発明の第４の実施形態の項目文書の例を示す図である。 本発明の第５の発明を実施するための実施形態の構成を示すブロック図である。 本発明の第５の発明を実施するための実施形態の動作を示す流れ図である。 本発明の第５の実施形態の出力構成要素に関する情報の例を示す図である。 ＨＴＭＬ文書とＸＭＬ文書の例のうちＨＴＭＬ文書を示す図である。 ＨＴＭＬ文書とＸＭＬ文書の例のうちＸＭＬ文書を示す図である。 本発明の第５の実施形態の合成文書の例を示す図である。 本発明の第６の実施形態の構成を示すブロック図である。 本発明の第７の実施形態の構成を示すブロック図である。 本発明の第８の実施形態の構成を示すブロック図である。 本発明の第９の実施形態の構成を示すブロック図である。 本発明の第９の実施形態の動作を示す流れ図である。 本発明の第６の実施例を説明するための図である。 本発明の第６の実施例を説明するための図である。 本発明の第６の実施例を説明するための図である。 本発明の第６の実施例を説明するための図である。 本発明の第６の実施例を説明するための図である。 本発明の第６の実施例を説明するための図である。 本発明の第６の実施例を説明するための図である。 本発明の第６の実施例を説明するための図である。 本発明の第６の実施例を説明するための図である。

以下に本発明の実施形態について添付図面を参照して説明する。図１を参照すると、本発明の第１の実施形態のシステムは、プログラム制御により動作するデータ処理装置１と、情報を記憶する記憶装置２とを含む。

データ処理装置１は、入力部１１と、レイアウト解析ツール１２と、出力部１３とを備える。記憶装置２は、レンダリング結果記憶部２１、解析結果記憶部２２とを備える。

入力部１１は、外部から構造化・半構造化文書を取得し、当該文書をレンダリングし、レンダリング結果をレンダリング結果記憶部２１に記憶する。レイアウト解析ツール１２は、基本レイアウト解析部１４を有する。出力部１３は、解析結果記憶部２２からレイアウトの構成要素とその階層関係の情報を取得し、レイアウトの構成要素を文書記述要素の参照を用いて表現する形式に整形し外部に出力する。ここで、レイアウトの構成要素にＩＤを与えて出力してもよい。

基本レイアウト解析部１４は、レンダリング結果記憶部２１からレンダリング結果を取得し、文書記述要素の配置を参照し、一定の方向に並置された文書記述要素をグループ化することでレイアウトを解析する。具体的には、指定された文書記述要素、例えば、ルートとなる文書記述要素や既に解析されたレイアウトの構成要素に属する文書記述要素の配置を参照し、一定の方向に並置された文書記述要素をグループ化する。グループ化された文書記述要素、グループ化されず子供の文書記述要素のない文書記述要素はレイアウトの構成要素として解析結果記憶部２２に記憶する。グループ化されなかった文書記述要素は当該文書記述要素の子供の文書記述要素を対象に、全ての文書記述要素がグループ化されるまで、又は子供の文書記述要素がなくなるまで再帰的に処理を繰り返す。

レンダリング結果記憶部２１は入力部１１の処理結果を、解析結果記憶部２２はレイアウト解析ツール１２の処理結果をそれぞれ記憶する。

以上の処理により、特定階層のレイアウト、つまりレイアウトの構成要素の集合を解析する。ここで、上記処理により解析されたレイアウトの構成要素について、更に、これに属する文書記述要素の配置を参照し、先のグループ化に用いられた方向の直交方向に並置された文書記述要素をグループ化し、先に解析されたレイアウトの構成要素を置き換える処理を所定の回数繰り返しレイアウトを解析してもよい。また、レイアウトの構成要素として解析された文書記述要素が親の文書記述要素から見て唯一の子供である場合、当該解析された文書記述要素を親の文書記述要素と置き換えてもよい。

次階層のレイアウトを解析する場合は、先に解析されたレイアウトの各構成要素について再度処理を行う。具体的には、先に解析されたレイアウトの構成要素についてこれに属する文書記述要素の配置を参照し、一定の方向に並置された文書記述要素をグループ化した後、グループ化された文書記述要素以下の文書記述要素の配置を参照し、先のグループ化に用いられた方向の直交方向に並置された文書記述要素をグループ化する処理を所定の回数繰り返しレイアウトを解析する。ここで、次階層のレイアウトの解析の最初のグループ化に用いる方向として、上位レイアウトの解析の最後のグループ化に用いられた方向の直交方向を用いてもよい。次階層を解析する処理を繰り返せば、可能な範囲で任意の階層のレイアウトを解析できる。なお、上記処理において、文書記述要素として一部の指定された文書記述要素のみの配置を参照してもよい。以上の処理により、レイアウト、つまりレイアウトの構成要素とその階層関係を解析する。

次に、図１、図２を参照して本実施の形態の動作について詳細に説明する。入力部１１は、外部から構造化・半構造化文書を取得し、当該文書をレンダリングし、レンダリング結果をレンダリング結果記憶部２１に記憶する（ステップＳ１０１）。

基本レイアウト解析部１４は、レンダリング結果記憶部２１からレンダリング結果を取得し、処理対象階層ｎを１とし（ステップＳ１０２）、当該処理対象階層について処理を継続するかどうかを判定する（ステップＳ１０３）。判定基準としては、処理階層の上限値、解析された基本レイアウトの大きさを用いることができる。基本レイアウト解析部１４は、処理を継続しないと判定した場合、ステップＳ１０７に進む。

基本レイアウト解析部１４は、ステップＳ１０３で処理を継続すると判定した場合、処理対象となる文書記述要素を取得する（ステップＳ１０４）。

基本レイアウト解析部１４は、処理対象となる文書記述要素の配置を参照し、一定の方向に並置された文書記述要素をグループ化することでレイアウトを解析し、上位階層のレイアウトの構成要素と関連付けて解析結果記憶部２２に記憶する（ステップＳ１０５）。

基本レイアウト解析部１４は、処理対象階層ｎをｎ＋１とし（ステップＳ１０６）、ステップＳ１０３以降の処理を繰り返す。

出力部１３は、解析結果記憶部２２からレイアウトの構成要素とその階層関係の情報を取得し、レイアウトの構成要素を文書記述要素の参照を用いて表現する形式に整形し外部に出力する（ステップＳ１０７）。

本実施の形態では、構造化・半構造化文書の文書記述要素の配置を参照し並置された文書記述要素をグループ化することでレイアウトを解析するので、文書記述要素の配置に基づくレイアウトを解析できる。このため、記述方法が多様な構造化・半構造化文書においても、文書提供者が意図するレイアウトを解析できる。また、レイアウトを文書記述要素の参照を用いて表現する形式で出力するので、第三者がレイアウトの情報を利用した応用アプリケーションを開発できる。

次に、本発明の第２の実施形態について図面を参照して詳細に説明する。図１１を参照すると、本発明の第２の実施形態は、プログラム制御により動作するデータ処理装置１と、情報を記憶する記憶装置２とを含む。

データ処理装置１は、入力部１１と、レイアウト解析ツール１２と、出力部１３とを備える。記憶装置２は、レンダリング結果記憶部２１、解析結果記憶部２２、タイトル解析ルール記憶部２３とを備える。

入力部１１は、外部から構造化・半構造化文書を取得し、当該文書をレンダリングし、レンダリング結果をレンダリング結果記憶部２１に記憶する。レイアウト解析ツール１２は、タイトル解析部１５を有する。出力部１３は、解析結果記憶部２２からタイトルの集合を取得し、タイトルを文書記述要素の参照を用いて表現する形式に整形し外部に出力する。

レンダリング結果記憶部２１は入力部１１の処理結果を、解析結果記憶部２２はレイアウト解析ツール１２の処理結果をそれぞれ記憶する。タイトル解析ルール記憶部２３は、タイトル解析ルール、すなわちタイトル判定の基準となる、文書記述要素の名前、属性、スタイル、内容の値に基づくルールを予め記憶する。

タイトル解析部１５は、レンダリング結果記憶部２１からレンダリング結果を、タイトル解析ルール記憶部２３からタイトル解析ルールを取得し、文書記述要素の名前に加え、属性、スタイル、内容をタイトル解析ルールと照合することでタイトルを解析する。具体的には、指定された文書記述要素、例えば、ルートとなる文書記述要素、を処理対象要素とし、処理対象要素について文書記述要素の名前、属性、スタイル、内容をタイトル解析ルールと照合する。照合の結果タイトルと判定した場合、当該文書記述要素をタイトルとして解析結果記憶部２２に記憶し、未処理の処理対象要素があればこれを対象に処理を続ける。

タイトルでないと判定した場合、当該文書記述要素の子供の文書記述要素を新たに処理対象要素とし、未処理の処理対象要素がなくなるまで処理を続ける。ここで、タイトル解析ルールとしては、「属性が文書内で唯一である」、「背景色や背景イメージが使用されている」、「文書内での使用頻度が低い文字色や文字サイズが使用されている」といったレンダリングイメージ上での文書記述要素の特異性に基づくルールを用いることができる。なお、上記処理において、文書記述要素として同じ名前、属性、スタイルを持つ複数の文書記述要素をグループ化したものを用いてもよい。以上の処理により、タイトルの集合を解析し解析結果記憶部２２に記憶する。

次に、図１１、図１２を参照して本実施の形態の動作について詳細に説明する。入力部１１は、外部から構造化・半構造化文書を取得し、当該文書をレンダリングし、レンダリング結果をレンダリング結果記憶部２１に記憶する（ステップＳ２０１）。

タイトル解析部１５は、レンダリング結果記憶部２１からレンダリング結果を、タイトル解析ルール記憶部２３からタイトル解析ルールをそれぞれ取得し、処理対象となる文書記述要素を取得する（ステップＳ２０２）。

タイトル解析部１５は、処理対象の文書記述要素の有無を確認し、処理対象となる文書記述要素がないと判定した場合、ステップＳ２０８に進む（ステップＳ２０３）。

タイトル解析部１５は、ステップＳ２０３で処理対象となる文書記述要素があると判定した場合、当該文書記述要素の名前や属性、スタイル、内容をタイトル解析ルールと照合する（ステップＳ２０４）。

タイトル解析部１５は、ステップＳ２０４で照合によりタイトルでないと判定した場合、又はステップＳ２０６で文書記述要素をタイトルとして記憶した場合、次の処理対象となる文書記述要素を取得し、当該文書記述要素についてステップＳ２０３以下の処理を行う（ステップＳ２０５）。

タイトル解析部１５は、ステップＳ２０４で照合によりタイトルであると判定した場合、当該文書記述要素をタイトルとして解析結果記憶部２２に記憶し、ステップＳ２０５に進む（ステップ２０６）。

出力部１３は、解析結果記憶部２２からタイトルの集合を取得し、タイトルを文書記述要素の参照を用いて表現する形式に整形し外部に出力する（ステップＳ２０７）。

次に、本実施の形態の効果について説明する。本実施の形態では、構造化・半構造化文書の文書記述要素の名前に加え、属性、スタイル、内容を用いてタイトルを解析するので、属性やスタイルを用いて表現されたタイトルも解析できる。このため、タイトルを網羅的に解析できる。また、タイトルを文書記述要素の参照を用いて表現する形式で出力するので、第三者がタイトルの情報を利用した応用アプリケーションを開発できる。

次に、本発明の第３の実施形態について図面を参照して詳細に説明する。図１６を参照すると、本発明の第３の実施形態は、プログラム制御により動作するデータ処理装置１と、情報を記憶する記憶装置２とを含む。

データ処理装置１は、入力部１１と、レイアウト解析ツール１２と、出力部１３とを備える。記憶装置２は、レンダリング結果記憶部２１、解析結果記憶部２２、タイトル解析ルール記憶部２３とを備える。

入力部１１は、外部から構造化・半構造化文書を取得し、当該文書をレンダリングし、レンダリング結果をレンダリング結果記憶部２１に記憶する。

レイアウト解析ツール１２は、基本レイアウト解析部１４と、タイトル解析部１５と、レイアウト解析部１６とを有する。

出力部１３は、解析結果記憶部２２から新しいレイアウトの構成要素とその階層関係、及び各構成要素とタイトルとの対応関係を取得し、新しいレイアウトの構成要素とタイトルを文書記述要素の参照を用いて表現する形式に整形し外部に出力する。ここで、新しいレイアウトの構成要素にＩＤを与えて出力してもよい。

基本レイアウト解析部１４は、レンダリング結果記憶部２１からレンダリング結果を取得し、文書記述要素の配置を参照し、一定の方向に並置された文書記述要素をグループ化することでレイアウトを解析する。基本レイアウト解析部１４の機能は、本発明の第１の実施の形態の基本レイアウト解析部１４に示す機能と同じである。

タイトル解析部１５は、レンダリング結果記憶部２１からレンダリング結果を、タイトル解析ルール記憶部２３からタイトル解析ルールを取得し、文書記述要素の名前に加え、属性、スタイル、内容をタイトル解析ルールと照合することでタイトルを解析する。タイトル解析部１５の機能は、本発明の第２の実施の形態のタイトル解析部１５に示す機能と同じである。

レイアウト解析部１６は、解析結果記憶部２２から、基本レイアウト解析部１４で解析されたレイアウトの構成要素とその階層関係、タイトル解析部１５で解析されたタイトルを取得し、タイトルを持たないレイアウトの構成要素をタイトルを持つレイアウトの構成要素、又はタイトルを持たない別のレイアウトの構成要素とグループ化することで新しいレイアウトを生成する。具体的には、まず第１階層のレイアウトの構成要素を取得し、構成要素と構成要素に内包されるタイトルを対応付ける。タイトルを持たない構成要素は、タイトルを持つ構成要素のうち、例えば、ソース上先頭に向かって最も近いものとグループ化する。最も近いタイトルを持つ構成要素がない場合は、例えば、最も近いタイトルを持たない構成要素とグループ化する。グループ化されたレイアウトの構成要素は、新しいレイアウトの構成要素として、当該構成要素に属するタイトルとともに解析結果記憶部２２に記憶する。更に、上記処理を基本レイアウト解析部１４で解析されたレイアウトの階層数分繰り返すことで、新しいレイアウトの構成要素とその階層関係、及び各構成要素とタイトルとの対応関係を解析する。

レンダリング結果記憶部２１は入力部１１の、解析結果記憶部２２はレイアウト解析ツール１２の、それぞれ処理結果を記憶する。タイトル解析ルール記憶部２３は、タイトル解析ルールを予め記憶する。

次に、図１６、図１７を参照して本実施の形態の動作について詳細に説明する。入力部１１は、外部から構造化・半構造化文書を取得し、当該文書をレンダリングし、レンダリング結果をレンダリング結果記憶部２１に記憶する（ステップＳ３０１）。

基本レイアウト解析部１４の動作は、本発明の第１の実施の形態に示す基本レイアウト解析部（図１の１４）の動作と同じである（ステップＳ３０２〜ステップＳ３０６）。

タイトル解析部１５の動作は、本発明の第２の実施の形態に示すタイトル解析部（図１１の１５）の動作と同じである（ステップＳ３１１〜ステップＳ３１６）。

レイアウト解析部１６は、解析結果記憶部２２から、基本レイアウト解析部１４で解析されたレイアウトの構成要素とその階層関係、タイトル解析部１５で解析されたタイトルを取得し、処理対象階層ｎを１とする（ステップＳ３２１）。

レイアウト解析部１６は、処理対象階層のレイアウトの構成要素があるかどうかを判定し、処理対象階層のレイアウトの構成要素がないと判定した場合、ステップＳ３３１に進む（ステップＳ３２２）。

レイアウト解析部１６は、ステップＳ３２２で処理対象階層のレイアウトの構成要素があると判定した場合、第ｎ階層のレイアウトの構成要素を取得し（ステップＳ３２３）、第ｎ階層のレイアウトの構成要素とタイトルを対応付ける（ステップＳ３２４）。

レイアウト解析部１６は、タイトルを持たないレイアウトの構成要素をタイトルを持つレイアウトの構成要素、又はタイトルを持たない別のレイアウトの構成要素とグループ化することで新しいレイアウトの構成要素を解析し、解析結果記憶部２２に記憶する（ステップＳ３２５）。

レイアウト解析部１６は、処理対象階層ｎをｎ＋１とし、ステップＳ３２２以降の処理を繰り返す（ステップＳ３２６）。

出力部１３は、解析結果記憶部２２から新しいレイアウトの構成要素とその階層関係、及び各構成要素とタイトルとの対応関係を取得し、新しいレイアウトの構成要素とタイトルを文書記述要素の参照を用いて表現する形式に整形し外部に出力する（ステップＳ３３１）。

ここで、基本レイアウト解析部１４の動作（ステップＳ３０２〜ステップＳ３０６）と、タイトル解析部１５の動作（ステップＳ３１１〜ステップＳ３１６）の実行順序を入れ替えてもよい。具体的には、ステップＳ３０１の直後にステップＳ３１１〜ステップＳ３１６が実行される形となり、ステップＳ３１２が「Ｎｏ」のときステップＳ３０２〜ステップＳ３０６が実行される。また、この場合、ステップＳ３０３が「Ｎｏ」のときステップＳ３２１に移行する形となる。

次に、本実施の形態の効果について説明する。本実施の形態では、文書記述要素の配置を参照し並置された文書記述要素をグループ化することで解析されたレイアウトと、文書記述要素の名前に加え、属性、スタイル、内容を用いて解析されたタイトルを用いて、タイトルを持たないレイアウトの構成要素をタイトルを持つレイアウトの構成要素、又はタイトルを持たない別のレイアウトの構成要素とグループ化することで、関連した構成要素の集合を新しい構成要素とする新しいレイアウトを生成するので、より論理構造を捉えたレイアウトを解析できる。このため、より文書提供者の意図を反映したレイアウトを解析できる。また、レイアウトやタイトルを文書記述要素の参照を用いて表現する形式で出力するので、第三者がレイアウトの情報を利用した応用アプリケーションを開発できる。

次に、本発明の第４の実施形態について図面を参照して詳細に説明する。図２２を参照すると、本発明の第４の実施形態は、プログラム制御により動作するデータ処理装置５と、情報を記憶する記憶装置６とを含む。

データ処理装置５は、入力部５１と、文書入力部５２と、目次文書出力部５３と、項目文書出力部５４とを備える。記憶装置６は、構造化・半構造化文書記憶部６１、レイアウト文書記憶部６２とを備える。

入力部５１は、キーボードを始めとする入力装置から、あるいはネットワークを介してユーザ入力を取得し、ユーザが所望する構造化・半構造化文書のＵＲＩ（Ｕｎｉｖｅｒｓａｌ Ｒｅｓｏｕｒｃｅ Ｉｄｅｎｔｉｆｉｅｒ）を取得する。また、入力部５１は、キーボードを始めとする入力装置から、あるいはネットワークを介してユーザ入力を取得し、出力を制御する。具体的には、取得された入力に応じて、目次文書を出力するか、目次の項目の内容を記述した文書を出力するかを判定し、目次の項目の内容を記述した文書を出力する場合は、出力する目次の項目も判定する。

文書入力部５２は、入力部５１で取得されたユーザが所望する構造化・半構造化文書のＵＲＩを用いて、当該文書を取得し、構造化・半構造化文書記憶部６１に記憶する。また、文書入力部５２は、取得した構造化・半構造化文書に指定された、レイアウトの情報が文書記述要素の参照を用いて記述された文書を取得し、レイアウト記憶部６２に記憶する。ここで、文書入力部５２は、通信プロトコルのヘッダー情報を利用するといった別の方法を用いて、取得した構造化・半構造化文書のレイアウトの情報が記述された文書を取得してもよい。また、取得した構造化・半構造化文書について、本発明の第３の実施の形態に示すシステムを用いて、レイアウトの情報を解析し、レイアウト文書記憶部６２に記憶してもよい。

目次文書出力部５３は、入力部５１が目次を出力すると判定した場合、構造化・半構造化文書記憶部６１からユーザが所望する構造化・半構造化文書を、レイアウト文書記憶部６２から当該構造化・半構造化文書のレイアウトの情報が記述された文書をそれぞれ取得し、目次文書を生成する。具体的には、レイアウトの情報が記述された文書から全ての末端のレイアウトの構成要素を抽出し、それぞれについて指定されたタイトルを抽出し、文書記述要素の参照を用いて元の構造化・半構造化文書から当該タイトルに対応する文書記述要素を抜き出し、整形して順に並べることで目次文書を生成する。ここで、タイトルの指定がない構成要素について、当該構成要素に対応する文書記述要素以下の内容から一定数の文字を抜き出し並べてもよい。また、特定階層のレイアウトの構成要素の間に仕切り線を挿入する、構造化・半構造化文書に別途与えられたタイトルを挿入するなど、目次に装飾を施してもよい。また、上位階層の構成要素が同じ１つ以上の末端のレイアウトの構成要素について、末端の構成要素に代え上位階層の構成要素を用いてもよい。生成した目次文書は、ディスプレイやスピーカーといった出力装置から、あるいはネットワークを介してユーザに提供される。

項目文書出力部５４は、入力部５１が目次の項目の内容を記述した文書を出力すると判定し、出力する目次の項目を判定した場合、構造化・半構造化文書記憶部６１からユーザが所望する構造化・半構造化文書を、レイアウト文書記憶部６２から当該構造化・半構造化文書のレイアウトの情報が記述された文書をそれぞれ取得し、指定された目次の項目の内容を記述した文書を生成する。具体的には、指定された目次の項目をタイトルとして持つレイアウトの構成要素を抽出し、文書記述要素の参照を用いて元の構造化・半構造化文書から当該構成要素に対応する文書記述要素を抜き出し、整形して順に並べることで目次の項目の内容を記述した文書を生成する。ここで、項目の内容として、抜き出された文書記述要素の内容を更に抜き出し並べてもよい。また、構造化・半構造化文書の文書記述要素を別の文書記述要素に置き換えた上で並べてもよい。さらに、目次の内容を記述した文書としてユーザが所望する構造化・半構造化文書そのものを用い、指定された目次の項目に対応する領域に位置合わせして出力してもよい。生成された目次の項目の内容を記述した文書は、ディスプレイやスピーカーといった出力装置から、あるいはネットワークを介してユーザに提供される。

構造化・半構造化文書記憶部６１、レイアウト文書記憶部６２は、文書入力部５２の処理結果を記憶する。ここで、目次文書出力部５３が目次文書を生成した際当該目次文書を記憶するとともに、項目文書出力部５４で目次の項目の内容を記述した全ての文書を予め生成し記憶しておき、ユーザ入力に対応した目次文書または目次の項目の内容を記述した文書を、目次文書出力部５３または項目文書出力部５４が選択し出力する構成としてもよい。

次に、図２２、図２３を参照して本実施の形態の動作について詳細に説明する。 入力部５１は、キーボードを始めとする入力装置から、あるいはネットワークを介してユーザ入力を取得し、ユーザが所望する構造化・半構造化文書のＵＲＩを取得する（ステップＳ４０１）。

文書入力部５２は、取得されたＵＲＩを用いて文書を取得し、構造化・半構造化文書記憶部６１に記憶する。また、文書入力部５２は、取得した構造化・半構造化文書に指定された、レイアウトの情報が記述された文書を取得し、レイアウト文書記憶部６２に記憶する（ステップＳ４０２）。

入力部５１は、処理を続けるかどうかを判定し、処理を続けないと判定した場合、終了する（ステップＳ４０３）。

入力部５１は、ステップＳ４０３で処理を続けると判定した場合、出力する内容が目次かどうかを判定する（ステップＳ４０４）。

目次文書出力部５３は、ステップＳ４０４で目次を出力すると判定した場合、構造化・半構造化文書記憶部６１からユーザが所望する構造化・半構造化文書を、レイアウト文書記憶部６２から当該構造化・半構造化文書のレイアウトの情報が記述された文書をそれぞれ取得し、目次文書を生成する。生成した目次文書は、ディスプレイやスピーカーといった出力装置から、あるいはネットワークを介してユーザに提供される（ステップＳ４０５）。

項目文書出力部５４は、ステップＳ４０４で目次を出力しないと判定した場合、出力する目次の項目を更に判定し、構造化・半構造化文書記憶部６１からユーザが所望する構造化・半構造化文書を、レイアウト文書記憶部６２から当該構造化・半構造化文書のレイアウトの情報が記述された文書をそれぞれ取得し、指定された目次の項目の内容を記述した文書を生成する。生成された目次の項目の内容を記述した文書は、ディスプレイやスピーカーといった出力装置から、あるいはネットワークを介してユーザに提供される（ステップＳ４０６）。

入力部５１は、ステップＳ４０５で目次文書を出力した後、又はステップＳ４０６で目次の項目の内容を記述した文書を出力した後、キーボードを始めとする入力装置から、あるいはネットワークを介してユーザ入力を取得し、ステップＳ４０３以降の処理を繰り返す（ステップＳ４０７）。

次に、本実施の形態の効果について説明する。本実施の形態では、構造化・半構造化文書と当該文書のレイアウトの情報が記述された文書を用いて目次文書や目次の項目の内容を記述した文書を生成、出力するので、文書提供者が意図する文書の論理構造を的確に捉えた目次を用いて文書を閲覧できるようになり、画面の小さい端末でも文書の全体像を把握しやすくなるとともに、少ない操作で文書を閲覧できる。このため、端末環境に適応した文書を提供できる。

次に、本発明の第５の実施形態について図面を参照して詳細に説明する。図２７を参照すると、本発明の第５の実施形態は、プログラム制御により動作するデータ処理装置７と、情報を記憶する記憶装置８とを含む。

データ処理装置７は、文書入力部７１と、合成文書出力部７２とを備える。記憶装置８は、出力構成要素記憶部８１と、構造化・半構造化文書記憶部８２と、レイアウト文書記憶部８３とを備える。

文書入力部７１は、出力構成要素記憶部８１から出力構成要素に関する情報を取得し、当該情報に記述されたＵＲＩに対応する文書を取得し、構造化・半構造化文書記憶部８２に記憶する。また、文書入力部７１は、取得したそれぞれの構造化・半構造化文書に指定された、レイアウトの情報が文書記述要素の参照を用いて記述された文書を取得し、レイアウト文書記憶部８３に記憶する。ここで、文書入力部７１は、通信プロトコルのヘッダー情報を利用するといった別の方法を用いて、取得した構造化・半構造化文書のレイアウトの情報が記述された文書を取得してもよい。また、取得した構造化・半構造化文書について、本発明の第３の実施の形態に示すシステムを用いて、レイアウトの情報を解析し、レイアウト文書記憶部８３に記憶してもよい。

合成文書出力部７２は、出力構成要素記憶部８１から出力構成要素に関する情報を、構造化・半構造化文書記憶部８２からユーザが所望する構造化・半構造化文書を、レイアウト文書記憶部８３からレイアウトの情報が記述された文書をそれぞれ取得し、合成文書を生成する。具体的には、出力構成要素に関する情報から全てのＵＲＩと構成要素のＩＤの組み合わせを取得し、各ＵＲＩに対応する文書から構成要素のＩＤに対応する構成要素を抽出し、文書記述要素の参照を用いて元の構造化・半構造化文書から当該構成要素に対応する文書記述要素を抜き出し、整形して順に並べることで合成文書を生成する。ここで、各構成要素について、これに属する文書記述要素の内容を更に抜き出し並べてもよい。生成された合成文書は、ディスプレイやスピーカーといった出力装置から、あるいはネットワークを介してユーザに提供される。

ここで、出力構成要素に関する情報として構成要素のタイトルを表すテキスト情報を更に記憶し、合成文書出力部７２で、出力する構成要素のＩＤに対応する構成要素を抽出した際、抽出された構成要素のタイトルと出力構成要素に関する情報に記憶された構成要素のタイトルを表すテキスト情報を照合し、異なる場合に当該テキスト情報を手掛かりとして正しい構成要素を検索し、出力構成要素に関する情報に記憶された出力する構成要素のＩＤを更新することで、レイアウトに変更があった場合でも適切な合成文書を生成できるようにしてもよい。また、出力構成要素に関する情報として表示位置の情報を更に記憶し、合成文書出力部７２で、当該表示位置の情報を用いて合成文書を整形してもよい。

出力構成要素記憶部８１は、出力する構成要素に関する情報、すなわち出力する構造化・半構造化文書のＵＲＩと当該文書のうち出力する構成要素のＩＤの組み合わせの集合を記憶する。構造化・半構造化文書記憶部８２、レイアウト文書記憶部８３は、文書入力部７１の処理結果を記憶する。

次に、図２７、図２８を参照して本実施の形態の動作について詳細に説明する。文書入力部７１は、出力構成要素記憶部８１から出力構成要素に関する情報を取得する（ステップＳ５０１）。

文書入力部７１は、取得された出力構成要素に関する情報に記述されたＵＲＩに対応する文書を取得し、構造化・半構造化文書記憶部８２に記憶する。また、文書入力部７１は、取得したそれぞれの構造化・半構造化文書に指定されたレイアウトの情報が記述された文書を取得し、レイアウト文書記憶部８３に記憶する（ステップＳ５０２）。

合成文書出力部７２は、出力構成要素記憶部８１から出力構成要素に関する情報を、構造化・半構造化文書記憶部８２からユーザが所望する構造化・半構造化文書を、レイアウト文書記憶部８３から当該文書のレイアウトの情報が記述された文書をそれぞれ取得し、合成文書を生成する。生成された合成文書は、ディスプレイやスピーカーといった出力装置から、あるいはネットワークを介してユーザに提供される（ステップＳ５０３）。

次に、本実施の形態の効果について説明する。本実施の形態では、出力構成要素に関する情報と構造化・半構造化文書と当該文書のレイアウトの情報が記述された文書を用いて、指定されたレイアウトの構成要素だけから成る合成文書を生成、出力するので、文書提供者が意図する文書の論理構造を的確に捉えた合成文書を用いて文書の必要な部分だけを閲覧できるようになり、ネットワーク帯域が限定された端末や画面の小さい端末でも快適に文書を閲覧できる。またユーザの好みに応じた文書を閲覧できる。このため、ネットワークや端末、ユーザの環境に適応した文書を提供できる。

次に、本発明の第６の実施形態について図面を参照して詳細に説明する。図３２を参照すると、本発明の第６の実施形態は、本発明の第１、第２、第３の実施形態と同様に、データ処理装置１、記憶装置２を備える。

文書解析用プログラム３は、データ処理装置１に読み込まれデータ処理装置１の動作を制御し、記憶装置２にレンダリング結果記憶部２１と解析結果記憶部２２とタイトル解析ルール記憶部２３を生成する。データ処理装置１は文書解析用プログラム３の制御により第１、第２、第３の実施形態におけるデータ処理装置１による処理と同一の処理を実行する。

次に、本発明の第７の実施形態について図面を参照して詳細に説明する。図３３を参照すると、本発明の第７の実施形態は、本発明の第４の実施形態と同様に、データ処理装置５、記憶装置６を備える。

文書適応用プログラム４は、データ処理装置５に読み込まれデータ処理装置５の動作を制御し、記憶装置６に構造化・半構造化文書記憶部６１とレイアウト文書記憶部６２を生成する。データ処理装置５は文書適応用プログラム４の制御により第４の実施形態におけるデータ処理装置５による処理と同一の処理を実行する。

次に、本発明の第８の実施形態について図面を参照して詳細に説明する。図３４を参照すると、本発明の第８の実施形態は、本発明の第５の実施形態と同様に、データ処理装置７、記憶装置８を備える。

文書適応用プログラム９は、データ処理装置７に読み込まれデータ処理装置７の動作を制御し、記憶装置８に出力構成要素記憶部８１、構造化・半構造化文書記憶部８２、レイアウト文書記憶部８３を生成する。データ処理装置７は文書適応用プログラム９の制御により第５の実施形態におけるデータ処理装置７による処理と同一の処理を実行する。

次に、本発明の第９の実施形態について図面を参照して詳細に説明する。図３５を参照すると、本発明の第９の実施形態は、プログラム制御により動作するデータ処理装置１と、情報を記憶する記憶装置２とを含む。

データ処理装置１は、入力部１１と、レイアウト解析ツール１２と、出力部１３とを備える。記憶装置２は、レンダリング結果記憶部２１、解析結果記憶部２２、タイトル解析ルール記憶部２３とを備える。

入力部１１は、外部から構造化・半構造化文書を取得し、当該文書をレンダリングし、レンダリング結果をレンダリング結果記憶部２１に記憶する。

レイアウト解析ツール１２は、基本レイアウト解析部１４と、タイトル解析部１５と、レイアウト解析部１６とを有する。

出力部１３は、解析結果記憶部２２からレイアウトの構成要素とその階層関係、及び各構成要素とタイトルとの対応関係を取得し、レイアウトの構成要素とタイトルを文書記述要素の参照を用いて表現する形式に整形し外部に出力する。

基本レイアウト解析部１４は、レンダリング結果記憶部２１からレンダリング結果を取得し、文書記述要素の配置を参照し、一定の方向に並置された文書記述要素をグループ化することでレイアウトを解析する。基本レイアウト解析部１４の機能は、本発明の第１の実施の形態の基本レイアウト解析部１４に示す機能と同じである。

タイトル解析部１５は、レンダリング結果記憶部２１からレンダリング結果を、タイトル解析ルール記憶部２３からタイトル解析ルールを取得し、文書記述要素の名前に加え、属性、スタイル、内容をタイトル解析ルールと照合することでタイトルを解析する。タイトル解析部１５の機能は、本発明の第２の実施の形態のタイトル解析部１５に示す機能と同じである。

レイアウト解析部１６は、ブロック選別部１７、セクション計算部１８とを有する。

ブロック選別部１７は、解析結果記憶部２２から、基本レイアウト解析部１４で解析された第１のレイアウトの構成要素とその階層関係、レイアウト解析部１６で解析された第２のレイアウトの構成要素とその階層関係を取得し、分割可能な第２のレイアウトの構成要素１つを選別し、これを構成する第１のレイアウトの構成要素を解析対象とする。さらに、タイトル解析部１５で解析されたタイトルを取得し、解析対象の第１のレイアウトの構成要素とタイトルを対応付け、対応付けられたタイトルについて、これを構成する文書記述要素の名前、属性、スタイルに基づき主要なタイトルを選別する。その上で、主要なタイトルを持つ構成要素を主要な構成要素とする。ここで、解析対象の第１のレイアウトの構成要素について、これを構成する文書記述要素の名前、属性、スタイル、内容に基づき、当該構成要素が境界線か否かを判定し、境界線と判定したものを主要なレイアウトの構成要素としてもよいし、解析対象の第１のレイアウトの構成要素間の距離に基づき、直前の構成要素と所定の距離以上離れた構成要素などを主要な構成要素としてもよい。

セクション計算部１８は、ブロック選別部１７で選別された第１のレイアウトの構成要素について、主要でない構成要素を、主要な構成要素、又は主要でない別の構成要素とグループ化することで第２のレイアウトの構成要素を生成し、解析結果記憶部２２に記憶する。具体的には、主要でない構成要素は、主要な構成要素のうち、例えば、ソース上先頭に向かって最も近いものとグループ化する。最も近い主要な構成要素がない場合は、例えば、最も近い主要でない構成要素とグループ化する。ここで、新たに生成された第２のレイアウトの構成要素を元の第２のレイアウトの構成要素と置き換えて記憶してもよいし、新たに生成された第２のレイアウトの構成要素を元の第２のレイアウトの構成要素の子供として記憶してもよい。また、境界線と判定された第１のレイアウトの構成要素を除き第２のレイアウトの構成要素として記憶してもよい。

次に、図３５、図３６を参照して本実施の形態の動作について詳細に説明する。入力部１１は、外部から構造化・半構造化文書を取得し、当該文書をレンダリングし、レンダリング結果をレンダリング結果記憶部２１に記憶する（ステップＳ９０１）。

基本レイアウト解析部１４の動作は、本発明の第１の実施の形態に示す基本レイアウト解析部（図１の１４）の動作と同じである（ステップＳ９０２〜ステップＳ９０６）。

タイトル解析部１５の動作は、本発明の第２の実施の形態に示すタイトル解析部（図１の１５）の動作と同じである（ステップＳ９１１〜ステップＳ９１６）。

ブロック選別部１７は、解析結果記憶部２２から、基本レイアウト解析部１４で解析された第１のレイアウトの構成要素とその階層関係、タイトル解析部１５で解析されたタイトル、レイアウト解析部F１６で解析された第２のレイアウトの構成要素とその階層関係を取得する（ステップＳ９２１）。

ブロック選別部１７は、分割可能な第２のレイアウトの構成要素があるかどうかを判定し、分割可能な第２のレイアウトの構成要素がないと判定した場合、ステップＳ９３１に進む（ステップＳ９２２）。ここで、判定基準として、第２のレイアウトの構成要素が内包するタイトルの数、第２のレイアウトの構成要素を構成する第１のレイアウトの構成要素のうちタイトルを持つものの数、第２のレイアウトの構成要素の面積や幅、高さなどを用いることができる。

ブロック選別部１７は、ステップＳ９２３で分割可能な第２のレイアウトの構成要素があると判定した場合、分割可能な第２のレイアウトの構成要素１つを選別し、これを構成する第１のレイアウトの構成要素を解析対象とする（ステップＳ９２３）。

ブロック選別部１７は、解析対象の第１のレイアウトの構成要素とタイトルを対応付け（ステップＳ９２４）、対応付けられたタイトルについて、これを構成する文書記述要素の名前、属性、スタイルに基づき主要なタイトルを選別する（ステップＳ９２５）。

ブロック選別部１７は、ステップＳ９２５で選別された主要なタイトルを持つ第１のレイアウトの構成要素を主要な構成要素とする。ここで、解析対象の第１のレイアウトの構成要素について、これを構成する文書記述要素の名前、属性、スタイル、内容に基づき、当該構成要素が境界線か否かを判定し、境界線と判定したものやその次の構成要素をも主要なレイアウトの構成要素としてもよいし、解析対象の第１のレイアウトの構成要素間の距離に基づき、直前の構成要素と所定の距離以上離れた構成要素などをも主要な構成要素としてもよい（ステップＳ９２６）。

セクション計算部１８は、ブロック選別部１７で選別された第１のレイアウトの構成要素について、主要でない構成要素を、主要な構成要素、又は主要でない別の構成要素とグループ化することで第２のレイアウトの構成要素を生成し、解析結果記憶部２２に記憶する（ステップＳ９２７）。

出力部１３は、解析結果記憶部２２から第２のレイアウトの構成要素とその階層関係、及び各構成要素とタイトルとの対応関係を取得し、第２のレイアウトの構成要素とタイトルを文書記述要素の参照を用いて表現する形式に整形し外部に出力する（ステップＳ９３１）。

ここで、基本レイアウト解析部１４の動作（ステップＳ９０２〜ステップＳ９０６）と、タイトル解析部１５の動作（ステップＳ９１１〜ステップＳ９１６）の実行順序を入れ替えてもよい。

次に、本実施の形態の効果について説明する。本実施の形態では、タイトルを構成する文書記述要素の名前、属性、スタイルにより選別された主要なタイトルなどに基づき、第１のレイアウトの構成要素をグループ化し、新たな第２のレイアウトの構成要素を生成するので、より論理構造を捉えたレイアウトを解析できる。このため、より文書提供者の意図を反映したレイアウトを解析できる。また、レイアウトやタイトルを文書記述要素の参照を用いて表現する形式で出力するので、第三者がレイアウトの情報を利用した応用アプリケーションを開発できる。

次に、本発明の第１の実施例を図面を参照して説明する。かかる実施例は本発明の第１の実施の形態に対応するものである。本実施例は、データ処理装置、データ記憶装置としてパーソナルコンピュータを備えている。

パーソナルコンピュータは、入力部、レイアウト解析部、出力部、基本レイアウト解析部として機能する中央演算装置と、レンダリング結果記憶部、解析結果記憶部として機能するメモリ装置、磁気ディスク記憶装置を有している。

ここでは、構造化・半構造化文書として図３に示すＨＴＭＬ文書を対象に、第２階層までのレイアウトの解析について説明する。

中央演算装置は、ＨＴＭＬ文書を外部から取得し、当該文書をレンダリングし、図３に示すレンダリング結果をメモリ装置に記憶する。中央演算装置は、レンダリング結果を取得し、まずｂｏｄｙ要素の配置を参照する。図４に示すようにｂｏｄｙ要素は水平方向に並置されたＨＴＭＬ文書の要素がなくグループ化できないため、中央演算装置は子供のＨＴＭＬ文書の要素の配置を参照する。図５に示すように子供のＨＴＭＬ文書の要素であるｈ１要素と２つのｔａｂｌｅ要素はいずれも水平方向に並置されたＨＴＭＬ文書の要素がなくグループ化できないため、中央演算装置は更に子供のＨＴＭＬ文書の要素の配置を参照する。

まず、ｈ１要素について、図５に示すように子供のＨＴＭＬ文書の要素がないので、当該ｈ１要素を第１のレイアウトの構成要素としてメモリ装置に記憶する。次に、第１番目のｔａｂｌｅ要素について、図６に示すように子供のＨＴＭＬ文書の要素であるｔｒ要素は水平方向に並置されたＨＴＭＬ文書の要素がなくグループ化できないため、中央演算装置は更に子供のＨＴＭＬ文書の要素の配置を参照する。図７に示すように子供のＨＴＭＬ文書の要素であるｔｄ要素は水平方向に並置されたＨＴＭＬ文書の要素がなくグループ化できないものの子供のＨＴＭＬ文書の要素がないので、当該ｔｄ要素を第２のレイアウトの構成要素としてメモリ装置に記憶する。最後に、第２番目のｔａｂｌｅ要素について、図６に示すように子供のＨＴＭＬ文書の要素である２つのｔｒ要素は水平方向に並置されたＨＴＭＬ文書の要素がなくグループ化できないため、中央演算装置は更に子供のＨＴＭＬ文書の要素の配置を参照する。

第１番目のｔｒ要素について、図７に示すように子供のＨＴＭＬ文書の要素である２つのｔｄ要素は水平方向に並置されているのでこれらをグループ化し、当該２つのｔｄ要素を第３のレイアウトの構成要素としてメモリ装置に記憶する。第２番目のｔｒ要素についても、図７に示すように子供のＨＴＭＬ文書の要素である２つのｔｄ要素は水平方向に並置されているのでこれらをグループ化し、当該２つのｔｄ要素を第４のレイアウトの構成要素としてメモリ装置に記憶する。

以上の処理により、図８に示す第１階層のレイアウトを解析する。第２階層のレイアウトを解析する場合は、第１階層のレイアウトの構成要素について、これに属するＨＴＭＬ文書の要素の配置を参照し垂直方向に並置されたＨＴＭＬ文書の要素をグループ化する。例えば、第３のレイアウトの構成要素について、図９に示すようにこれに属するＨＴＭＬ文書の要素である２つのｔｄ要素はいずれも垂直方向に並置されたＨＴＭＬ文書の要素がなくグループ化できないため、中央演算装置は更に子供のＨＴＭＬ文書の要素の配置を参照する。第１番目のｔｄ要素について、図９に示すように子供のＨＴＭＬ文書の要素がないので、当該ｔｄ要素をレイアウトの構成要素としてメモリ装置に記憶する。第２番目のｔｄ要素についても、図９に示すように子供のＨＴＭＬ文書の要素がないので、当該ｔｄ要素をレイアウトの構成要素としてメモリ装置に記憶する。以上の処理により、第２階層のレイアウトを解析する。

中央演算装置は、解析されたレイアウトの構成要素とその階層関係の情報をメモリ装置から取得し、レイアウトの構成要素をＨＴＭＬ文書の要素の参照を用いて表現する形式、例えば、図１０に示す形式に整形し、外部に出力する。

次に、本発明の第２の実施例を図面を参照して説明する。かかる実施例は本発明の第２の実施の形態に対応するものである。本実施例は、データ処理装置、データ記憶装置としてパーソナルコンピュータを備えている。

パーソナルコンピュータは、入力部、レイアウト解析部、出力部、タイトル解析部として機能する中央演算装置と、レンダリング結果記憶部、解析結果記憶部として機能するメモリ装置、磁気ディスク記憶装置を有している。また、磁気ディスク記憶装置には、図１３に示すようなタイトル解析ルールが記憶されている。

ここでは、構造化・半構造化文書として図３に示すＨＴＭＬ文書を対象に説明する。中央演算装置は、ＨＴＭＬ文書を外部から取得し、当該文書をレンダリングし、図３に示すレンダリング結果をメモリ装置に記憶する。

中央演算装置は、レンダリング結果とタイトル解析ルールを取得し、ｂｏｄｙ要素を処理対象ＨＴＭＬ文書の要素とする。ｂｏｄｙ要素について名前、属性、スタイル、内容をタイトル解析ルールと照合するとルールに合致しないため、ｂｏｄｙ要素の子供のＨＴＭＬ文書の要素、すなわちｈ１要素と２つのｔａｂｌｅ要素を新しく処理対象ＨＴＭＬ文書の要素に追加し、ｈ１要素を次の処理対象ＨＴＭＬ文書の要素とする。ここでｈ１要素について名前、属性、スタイル、内容をタイトル解析ルールと照合するとルールに合致するため、当該ｈ１要素をタイトルとしてメモリ装置に記憶し、第１のｔａｂｌｅ要素を次の処理対象ＨＴＭＬ文書の要素とする。上記処理を処理対象ＨＴＭＬ文書の要素がなくなるまで繰り返す。例えば、処理対象ＨＴＭＬ文書の要素が第２のｔａｂｌｅ要素の第１のｔｒ要素の第１のｔｄ要素であった場合は、当該ｔｄ要素について名前、属性、スタイル、内容をタイトル解析ルールと照合する。当該ｔｄ要素が背景色の指定があり高さが５０ｐｘで内容が５文字だったとすると、照合の結果ルールに合致するため、当該ｔｄ要素をタイトルとしてメモリ装置に記憶する。以上の処理により、図１４に示すタイトルを解析する。

中央演算装置は、解析されたタイトルの情報をメモリ装置から取得し、タイトルをＨＴＭＬ文書の要素の参照を用いて表現する形式、例えば、図１５に示す形式に整形し、外部に出力する。

次に、本発明の第３の実施例を図面を参照して説明する。かかる実施例は本発明の第３の実施の形態に対応するものである。本実施例は、データ処理装置、データ記憶装置としてパーソナルコンピュータを備えている。

パーソナルコンピュータは、入力部、レイアウト解析部、出力部、基本レイアウト解析部、タイトル解析部、レイアウト解析部Ｆとして機能する中央演算装置と、レンダリング結果記憶部、解析結果記憶部として機能するメモリ装置、磁気ディスク記憶装置を有している。また、磁気ディスク記憶装置にはタイトル解析ルールが記憶されている。

ここでは、構造化・半構造化文書として図３に示すＨＴＭＬ文書を対象に説明する。中央演算装置は、ＨＴＭＬ文書を外部から取得し、当該文書をレンダリングし、図３に示すレンダリング結果をメモリ装置に記憶する。

中央演算装置は、レンダリング結果を取得し、レイアウトの構成要素とその階層関係を解析する。この機能や動作は、第１の実施例に示すものと同じである。

中央演算装置は、レンダリング結果とタイトル解析ルールを取得し、タイトルを解析する。この機能や動作は、第２の実施例に示すものと同じである。

中央演算装置は、解析されたレイアウトの構成要素とその階層関係、タイトルを取得し、まず第１階層のレイアウトの構成要素を対象に解析する。第１階層のレイアウトの構成要素とタイトルの内包関係を調べると、図１８に示すようにタイトルを持つレイアウトの構成要素とタイトルを持たないレイアウトの構成要素を解析できる。ここで、ｂｏｄｙ要素下の第１のｔａｂｌｅ要素下の第１のｔｒ要素下の第１のｔｄ要素で与えられるレイアウトの構成要素はタイトルを持たないので、タイトルを持つレイアウトの構成要素、又はタイトルを持たない別のレイアウトの構成要素とのグループ化を図る。

具体的には、図１９に示すように当該構成要素から見てソース上先頭に向かって最も近いタイトルを持つレイアウトの構成要素、すなわちｂｏｄｙ要素下のｈ１要素で与えられるレイアウトの構成要素とグループ化し、新しいレイアウトの構成要素としてメモリ装置に記憶する。上記処理を全てのタイトルを持たないレイアウトの構成要素について行い、図２０に示す第１階層の新しいレイアウトの構成要素を解析する。同様の処理を第２階層のレイアウトの構成要素に適用することで、第２階層の新しいレイアウトの構成要素も解析できる。

中央演算装置は、解析された新しいレイアウトの構成要素とその階層関係、及び各構成要素とタイトルとの対応関係の情報をメモリ装置取得し、新しいレイアウトの構成要素とタイトルをＨＴＭＬ文書の要素の参照を用いて表現する形式、例えば、図２１に示す形式に整形し、外部に出力する。

次に、本発明の第４の実施例を図面を参照して説明する。かかる実施例は本発明の第４の実施の形態に対応するものである。本実施例は、データ記憶装置としてパーソナルコンピュータを備えている。

パーソナルコンピュータは、入力部、文書入力部、目次文書出力部、項目文書出力部として機能する中央演算装置と、構造化・半構造化文書記憶部、レイアウト文書記憶部として機能するメモリ装置、磁気ディスク装置を有している。

ここでは、構造化・半構造化文書として図２４Ａに示すＨＴＭＬ文書を、当該ＨＴＭＬ文書のレイアウトの情報が記述された文書として図２４Ｂに示すＸＭＬ文書を対象に説明する。

ユーザが携帯電話からｈｔｔｐ：／／ｗｗｗ．ｎｅｃ．ｃｏ．ｊｐ／ｎｅｗｓ．ｈｔｍｌというＵＲＬを入力した場合、中央演算装置は、ネットワークを介して当該ＵＲＬを取得し、さらにこれに対応する図２４Ａに示すＨＴＭＬ文書を取得し、メモリ装置に記憶する。また中央演算装置は、ＨＴＭＬ文書を解析し当該文書のレイアウトの情報が記述された文書のＵＲＬ、ｈｔｔｐ：／／ｗｗｗ．ｎｅｃ．ｃｏ．ｊｐ／ｎｅｗｓ．ｒｄｆを取得し、さらにこれに対応する図２４Ｂに示すＸＭＬ文書を取得し、メモリ装置に記憶する。

中央演算装置は、ＨＴＭＬ文書とＸＭＬ文書をメモリ装置から取得し、ＸＭＬ文書から全てのレイアウトの構成要素、ｕｒｎ：ｌａｙｏｕｔ：１、ｕｒｎ：ｌａｙｏｕｔ：２、ｕｒｎ：ｌａｙｏｕｔ：２：１、ｕｒｎ：ｌａｙｏｕｔ：２：２を抽出し、それぞれのレイアウトの構成要素についてタイトルに対応するＨＴＭＬ文書の要素、／ｂｏｄｙ［１］／ｈ１［１］、／ｂｏｄｙ［１］／ｔａｂｌｅ［２］／ｔｒ［１］／ｔｄ［１］／ｔａｂｌｅ［１］／ｔｒ［１］、／ｂｏｄｙ［１］／ｔａｂｌｅ［２］／ｔｒ［１］／ｔｄ［２］／ｔａｂｌｅ［１］／ｔｒ［１］をさらに抽出する。ここで、タイトルに対応するＨＴＭＬ文書の要素をＨＴＭＬ文書に照らし合わせ、それぞれの内容、「主要なニュース」、「政治」、「経済」を抽出し、Ａ要素といったＨＴＭＬ文書の要素を付加して順に並べることで、図２５に示すレンダリングイメージを持つ目次文書を生成する。生成された目次文書は、ネットワーク、携帯電話のＷｅｂブラウザを介してユーザに提示される。

ユーザが提示された目次ＨＴＭＬ文書から「政治」を選んだ場合、中央演算装置は、ネットワークを介してこの情報を取得し、ＸＭＬ文書から「政治」をタイトルとして持つレイアウトの構成要素、ｕｒｎ：ｌａｙｏｕｔ：２：１を抽出し、当該構成要素に属するＨＴＭＬ文書の要素、／ｂｏｄｙ［１］／ｔａｂｌｅ［２］／ｔｒ［１］／ｔｄ［１］を更に抽出する。また、構成要素に対応するＨＴＭＬ文書の要素をＨＴＭＬ文書に照らし合わせ、その内容を抽出し、目次へのリンクを始めとするナビゲーションを目的とするＨＴＭＬ文書の要素を付加して順に並べることで、図２６に示すレンダリングイメージを持つ「政治」の内容に関する文書を生成する。生成された文書は、ネットワーク、携帯電話のＷｅｂブラウザを介してユーザに提示される。ここで、ユーザが提示された文書から目次を選んだ場合、中央演算装置は、再度目次文書を生成し、ユーザに提示する。また、同文書から「前」や「次」を選んだ場合、中央演算装置は、「政治」の前や次の項目である「主要なニュース」や「経済」の内容に関する文書を生成し、ユーザに提示する。

次に、本発明の第５の実施例を図面を参照して説明する。かかる実施例は本発明の第５の実施の形態に対応するものである。本実施例は、データ記憶装置としてパーソナルコンピュータを備えている。

パーソナルコンピュータは、文書入力部、合成文書出力部として機能する中央演算装置と、構造化・半構造化文書記憶部、レイアウト文書記憶部として機能するメモリ装置、磁気ディスク装置を有している。また、磁気ディスク装置には、図２９に示すような出力構成要素に関する情報が記憶されている。

ここでは、構造化・半構造化文書として図２４Ａと図３０Ａに示すＨＴＭＬ文書を、それぞれのＨＴＭＬ文書のレイアウトの情報が記述された文書として図２４Ｂと図３０Ｂに示すＸＭＬ文書を対象に説明する。

中央演算装置は、出力構成要素に関する情報に記述された、ｈｔｔｐ：／／ｗｗｗ．ｎｅｃ．ｃｏ．ｊｐ／ｎｅｗｓ．ｈｔｍｌとｈｔｔｐ：／／ｗｗｗ．ｎｅｃ．ｃｏ．ｊｐ／ｓｔｏｃｋ．ｈｔｍｌの２つのＵＲＬを取得し、さらにこれに対応する図２４Ａと図３０Ａに示すＨＴＭＬ文書を取得し、メモリ装置に記憶する。また、中央演算装置は、それぞれのＨＴＭＬ文書を解析し当該文書のレイアウトの情報が記述された文書のＵＲＬ、ｈｔｔｐ：／／ｗｗｗ．ｎｅｃ．ｃｏ．ｊｐ／ｎｅｗｓ．ｒｄｆとｈｔｔｐ：／／ｗｗｗ．ｎｅｃ．ｃｏ．ｊｐ／ｓｔｏｃｋ．ｒｄｆを取得し、さらにこれに対応する図２４Ｂと図３０Ｂに示すＸＭＬ文書を取得し、メモリ装置に記憶する。

中央演算装置は、出力構成要素に関する情報から、２つのＵＲＬに対応する文書の出力する構成要素のＩＤ、ｕｒｎ：ｌａｙｏｕｔ：２：１、ｕｒｎ：ｌａｙｏｕｔ：１を取得する。更に、中央演算装置は、ＨＴＭＬ文書とＸＭＬ文書をメモリ装置から取得し、ＸＭＬ文書から出力する構成要素のＩＤに対応するＨＴＭＬ文書の要素、すなわち、ｈｔｔｐ：／／ｗｗｗ．ｎｅｃ．ｃｏ．ｊｐ／ｎｅｗｓ．ｈｔｍｌについては／ｂｏｄｙ［１］／ｔａｂｌｅ［２］／ｔｒ［１］／ｔｄ［１］／ｔａｂｌｅ［１］／ｔｒ［１］を、ｈｔｔｐ：／／ｗｗｗ．ｎｅｃ．ｃｏ．ｊｐ／ｓｔｏｃｋ．ｈｔｍｌについては／ｂｏｄｙ［１］／ｔａｂｌｅ［１］を抽出する。ここで出力する構成要素に対応するＨＴＭＬ文書の要素をＨＴＭＬ文書に照らし合わせ、整形して順に並べることで、図３１に示すレンダリングイメージを持つ合成文書を生成する。生成された合成文書は、例えば、ネットワーク、携帯電話のＷｅｂブラウザを介してユーザに提示される。

次に、本発明の第６の実施例を図面を参照して説明する。かかる実施例は本発明の第９の実施の形態に対応するものである。本実施例は、データ処理装置、データ記憶装置としてパーソナルコンピュータを備えている。

パーソナルコンピュータは、入力部、レイアウト解析部、出力部、基本レイアウト解析部、タイトル解析部、レイアウト解析部Ｆ、ブロック選別部、セクション計算部として機能する中央演算装置と、レンダリング結果記憶部、解析結果記憶部として機能するメモリ装置、磁気ディスク記憶装置を有している。また、磁気ディスク記憶装置にはタイトル解析ルールが記憶されている。

ここでは、構造化・半構造化文書として図３７に示すＨＴＭＬ文書を対象に説明する。中央演算装置は、ＨＴＭＬ文書を外部から取得し、当該文書をレンダリングし、レンダリング結果をメモリ装置に記憶する。

中央演算装置は、レンダリング結果を取得し、第１のレイアウトの構成要素とその階層関係を解析する。この機能や動作は、第１の実施例に示すものと同じである。

中央演算装置は、レンダリング結果とタイトル解析ルールを取得し、タイトルを解析する。この機能や動作は、第２の実施例に示すものと同じである。

中央演算装置は、解析された第１のレイアウト、第２のレイアウトを取得し、分割可能な第２のレイアウトの構成要素１つを選別し、これを構成する第１のレイアウトの構成要素を解析対象とする。図３８は解析の途中の状態を表している。ここで、／ｂｏｄｙ［１］／ｄｉｖ［２］〜ｄｉｖ［６］で成る第２のレイアウトの構成要素は、これを構成する第１のレイアウトの構成要素、すなわち／ｂｏｄｙ［１］／ｄｉｖ［２］、／ｂｏｄｙ［１］／ｄｉｖ［３］、・・・、／ｂｏｄｙ［１］／ｄｉｖ［６］それぞれで成る構成要素のうちタイトルをもつものが２つ以上あるため、分割可能な第２のレイアウトの構成要素となっている。そこでこの場合、／ｂｏｄｙ［１］／ｄｉｖ［２］、／ｂｏｄｙ［１］／ｄｉｖ［３］、・・・、／ｂｏｄｙ［１］／ｄｉｖ［６］それぞれで成る構成要素が解析対象の第１のレイアウトの構成要素となる。

中央演算装置は、解析されたタイトルを取得し、図３９に示すように解析対象の第１のレイアウトの構成要素に内包されるタイトルを選別する。さらに、選別されたタイトルの位置を調べ、図４０に示すように最も左に位置する／ｂｏｄｙ［１］／ｄｉｖ［２］で成るタイトルの左端を起点に水平方向に所定距離以内に左端が位置する／ｂｏｄｙ［１］／ｄｉｖ［２］で成るタイトル、／ｂｏｄｙ［１］／ｄｉｖ［４］で成るタイトルを主要なタイトルとして選別する。さらに、図４１に示すように主要なタイトルを内包する第１のレイアウトの構成要素を主要な構成要素とする。

なお、主要なタイトルを選別する方法として、図４２に示すように背景色などスタイルが類似するタイトルを主要なタイトルとして選別する方法や、図４３に示すように位置を基準に一定数あるいは一定割合のタイトルを主要なタイトルとして選別する方法、位置やスタイルの類似度を組み合わせて主要なタイトルを選別する方法などを用いてもよい。

また、解析対象の第１のレイアウトの構成要素について、図４４に示すように当該構成要素が境界線か否かを判定し、境界線と判定したものを主要な構成要素としてもよい。ここでは構成要素の内容により、ｈｒ要素を持つ／ｂｏｄｙ［１］／ｄｉｖ［５］で成る構成要素を主要な構成要素としている。なお、境界線の判定方法として、解析対象の第１のレイアウトの構成要素の幅や高さ、当該構成要素を構成する文書記述要素の境界などのスタイル、当該構成要素を構成する文書記述要素の内容である画像の幅や高さなどを用いてもよい。

中央演算装置は、図４５に示すように主要でない構成要素を主要な構成要素、または主要でない別の構成要素と、ソース上の距離に基づきグループ化し新たな第２のレイアウトの構成要素を生成する。例えば／ｂｏｄｙ［１］／ｄｉｖ［３］で成る主要でない構成要素は、ソース上先頭に向かって最も近い主要な構成要素、／ｂｏｄｙ［１］／ｄｉｖ［２］で成る構成要素とグループ化する。ここで解析された２つの新たな第２のレイアウトの構成要素は、元の第２のレイアウトの構成要素の子供としてメモリ装置に記憶する。なお、解析された第２のレイアウトの構成要素を元の第２のレイアウトの構成要素と置き換えてメモリ装置に記憶してもよいし、元の第２のレイアウトの構成要素や解析された第２のレイアウトの構成要素のスタイルや内容に基づき、置き換えて記憶するか、子供として記憶するかを選択してもよい。同様の処理を分割可能な第２のレイアウトの構成要素に適用することで、第２のレイアウトの構成要素とその階層関係を完全に解析できる。

中央演算装置は、解析された第２のレイアウトの構成要素とその階層関係、及び各構成要素とタイトルとの対応関係の情報をメモリ装置から取得し、第２のレイアウトの構成要素とタイトルをＨＴＭＬ文書の要素の参照を用いて表現する形式、例えば、第３の実施例に示す形式に整形し、外部に出力する。ここでレイアウトの構成要素にＩＤを与えて出力してもよい。

上記の実施形態を実施することにより、発明が解決しようとする課題として記載した本発明の目的を達成できる。

本発明の第１の文書解析システムは、構造化・半構造化文書のレンダリング結果を取得し、文書記述要素の配置を参照し並置された文書記述要素をグループ化することでレイアウトを解析する基本レイアウト解析部（図１の１４）と、解析されたレイアウトを、レイアウトの構成要素を文書記述要素の参照を用いて表現する形式で出力する出力部（図１の１３）を有する。このような構成を採用し、文書記述要素の配置に基づきレイアウトを解析し、解析されたレイアウトを第三者が利用できる形式で出力することにより、本発明の第１、第３の目的を達成できる。

本発明の第２の文書解析システムは、タイトル解析ルールを記憶したタイトル解析ルール記憶部（図１１の２３）と、構造化・半構造化文書のレンダリング結果とタイトル解析ルールを取得し、文書記述要素の名前に加え、属性、スタイル、内容をタイトル解析ルールと照合することでタイトルを解析するタイトル解析部（図１１の１５）と、解析されたタイトルを文書記述要素の参照を用いて表現する形式で出力する出力部（図１１の１３）を有する。このような構成を採用し、文書記述要素の名前に加え、属性、スタイル、内容を用いて網羅的にタイトルを解析し、解析されたタイトルを第三者が利用できる形式で出力することにより、本発明の第２、第３の目的を達成できる。

本発明の第３の文書解析システムは、タイトル解析ルールを記憶したタイトル解析ルール記憶部（図１６の２３）と、構造化・半構造化文書のレンダリング結果を取得し、文書記述要素の配置を参照し並置された文書記述要素をグループ化することでレイアウトを解析する基本レイアウト解析部（図１６の１４）と、構造化・半構造化文書のレンダリング結果とタイトル解析ルールを取得し、文書記述要素の名前に加え、属性、スタイル、内容をタイトル解析ルールと照合することでタイトルを解析するタイトル解析部（図１６の１５）と、基本レイアウト解析部で解析されたレイアウトとタイトル解析部で解析されたタイトルを取得し、タイトルを持たないレイアウトの構成要素をタイトルを持つレイアウトの構成要素、又はタイトルを持たないレイアウトの構成要素とグループ化することで新しいレイアウトを生成するレイアウト解析部（図１６の１６）と、解析された新しいレイアウトを、レイアウトの構成要素とタイトルを文書記述要素の参照を用いて表現する形式で出力する出力部（図１６の１３）を有する。このような構成を採用し、タイトルを代表情報とする関連した構成要素の集合を新しい構成要素とする新しいレイアウトを生成し、解析されたレイアウトとタイトルを第三者が利用できる形式で出力することにより、本発明の第１、第２、第３の目的を達成できる。

本発明の第１の文書適応システムは、ユーザが所望する構造化・半構造化文書のＵＲＩ（Ｕｎｉｆｏｒｍ Ｒｅｓｏｕｒｃｅ Ｉｄｅｎｔｉｆｉｅｒｓ）を取得する、またユーザ入力を取得し、目次文書や目次の項目の内容を記述した文書の出力を制御する入力部（図２２の５１）と、ユーザが所望する構造化・半構造化文書のＵＲＩに対応する文書を取得し、また取得した文書に対応するレイアウトの情報が記述された文書を取得する文書入力部（図２２の５２）と、ユーザが所望する構造化・半構造化文書と当該文書のレイアウトの情報が記述された文書を取得し、目次文書を生成、出力する目次文書出力部（図２２の５３）と、ユーザが所望する構造化・半構造化文書と当該文書のレイアウトの情報が記述された文書を取得し、指定された目次の項目の内容を記述した文書を生成、出力する項目文書出力部（図２２の５４）を有する。このような構成を採用し、構造化・半構造化文書と当該文書の論理構造を適切に反映するレイアウトの情報が記述された文書を用いて目次文書や目次の項目の内容を記述した文書を生成、出力することにより、文書提供者が意図する文書の論理構造を的確に捉えた目次を用いて文書を閲覧できるようになり、本発明の第４の目的を達成できる。

本発明の第２の文書適応システムは、出力構成要素に関する情報を記憶した出力構成要素記憶部（図２７の８１）と、出力構成要素に関する情報を取得し、当該情報に記述されたＵＲＩに対応する構造化・半構造化文書を取得し、また取得した文書に対応するレイアウトの情報が記述された文書を取得する文書入力部（図２７の７１）と、出力構成要素に関する情報と構造化・半構造化文書と当該文書のレイアウトの情報が記述された文書を取得し、合成文書を生成、出力する合成文書出力部（図２７の７２）を有する。このような構成を採用し、出力構成要素に関する情報と構造化・半構造化文書と当該文書の論理構造を適切に反映するレイアウトの情報が記述された文書を用いて、指定されたレイアウトの構成要素から成る合成文書を生成、出力することにより、文書提供者が意図する文書の論理構造を的確に捉えた合成文書を用いて文書の必要な部分だけを閲覧できるようになり、本発明の第４の目的を達成できる。

Claims (30)

1. 構造化文書又は半構造化文書に含まれる文書記述要素の配置を参照し、一定の方向に並置された前記文書記述要素をグループ化して前記構造化文書又は前記半構造化文書のレイアウトを解析する基本レイアウト解析部
   を具備する
   文書解析システム。
2. 請求項１に記載の文書解析システムにおいて、
   更に、
   前記構造化文書又は前記半構造化文書の文書記述要素の名前、属性、スタイル、内容のいずれか１つ以上の値に基づくタイトル解析ルールを記憶するタイトル解析ルール記憶部と、
   前記構造化文書又は前記半構造化文書に含まれる前記文書記述要素の名前、属性、スタイル、内容のいずれか１つ以上と前記タイトル解析ルールとを照合してタイトルを解析するタイトル解析部と、
   前記基本レイアウト解析部で解析された前記レイアウトと、前記タイトル解析部で解析された前記タイトルとを用いて前記レイアウトの構成要素をグループ化し、新しいレイアウトを生成するレイアウト解析部とを具備する
   文書解析システム。
3. 請求項２に記載の文書解析システムにおいて、
   前記レイアウト解析部は前記基本レイアウト解析部で解析された前記レイアウトと、前記タイトル解析部で解析された前記タイトルと、前記レイアウト解析部で解析された前記新しいレイアウトとを用いて前記レイアウトの主要な構成要素を選別するブロック選別部と、
   前記基本レイアウト解析部で解析された前記レイアウトと、前記レイアウト解析部で解析された前記新しいレイアウトと、前記ブロック選別部で選別された前記レイアウトの主要な構成要素とを用いて前記レイアウトの構成要素をグループ化し、新しいレイアウトを生成するセクション計算部を具備する
   文書解析システム。
4. 請求項１乃至３に記載の文書解析システムにおいて、
   前記基本レイアウト解析部は、前記グループ化された文書記述要素以下の前記文書記述要素の配置を参照し、直前のグループ化に用いられた方向の直交方向に並置された前記文書記述要素をグループ化する処理を所定の回数繰り返してレイアウトを解析する
   文書解析システム。
5. 請求項１乃至４のいずれか一項に記載の文書解析システムにおいて、
   前記基本レイアウト解析部は、前記グループ化された文書記述要素以下の前記文書記述要素の配置を参照し、直前のグループ化に用いられた方向の直交方向に並置された前記文書記述要素をグループ化する処理を所定の回数繰り返して次階層のレイアウトを解析する
   文書解析システム。
6. 請求項１乃至５のいずれか一項に記載の文書解析システムにおいて、
   前記基本レイアウト解析部は、前記文書記述要素のうち一部の指定された文書記述要素のみの配置を参照する
   文書解析システム。
7. 構造化文書又は半構造化文書の文書記述要素の名前、属性、スタイル、内容のいずれか１つ以上の値に基づくタイトル解析ルールを記憶するタイトル解析ルール記憶部と、
   前記構造化文書又は前記半構造化文書に含まれる文書記述要素の名前、属性、スタイル、内容のいずれか１つ以上と前記タイトル解析ルールとを照合してタイトルを解析するタイトル解析部とを具備する
   文書解析システム。
8. 構造化文書又は半構造化文書のレイアウト及びタイトルを、前記構造化文書又は前記半構造化文書に含まれる文書記述要素を参照する表現形式に整形し出力する出力部を具備する
   文書解析システム。
9. 構造化文書又は半構造化文書と、前記構造化文書又は前記半構造化文書のレイアウトの情報が記述された文書を用いて目次文書を生成、出力する目次文書出力部と、
   前記構造化文書又は前記半構造化文書と、
   前記レイアウトの情報が記述された文書を用いて目次の項目の内容を記述した文書を生成、出力する項目文書出力部
   とを具備する
   文書適応システム。
10. 構造化文書又は半構造化文書のＵＲＩと、前記構造化文書又は前記半構造化文書の出力構成要素のＩＤの組み合わせの集合を出力構成要素情報として記憶する出力構成要素情報記憶部と、
    前記出力構成要素情報と前記出力構成要素情報に記述されたＵＲＩに対応する前記構造化文書又は前記半構造化文書と前記構造化文書又は前記半構造化文書に対応するレイアウトの情報が記述された文書を用いて合成文書を生成し出力する合成文書出力部とを具備する
    文書適応システム。
11. 構造化文書又は半構造化文書に含まれる文書記述要素の配置を参照し、一定の方向に並置された前記文書記述要素をグループ化して前記構造化文書又は前記半構造化文書のレイアウトを解析するステップを具備する
    文書解析方法。
12. 請求項１１に記載の文書解析方法において、
    前記構造化文書又は前記半構造化文書の文書記述要素の名前、属性、スタイル、内容のいずれか１つ以上の値に基づくタイトル解析ルールを記憶するステップと、
    前記構造化文書又は前記半構造化文書に含まれる前記文書記述要素の名前、属性、スタイル、内容のいずれか１つ以上と前記タイトル解析ルールとを照合してタイトルを解析するステップと、
    前記レイアウトを解析するステップで解析された前記レイアウトと、前記タイトルを解析するステップで解析された前記タイトルとを用いて前記レイアウトの構成要素をグループ化し、新しいレイアウトを生成するステップとを具備する
    文書解析方法。
13. 請求項１２に記載の文書解析方法において、
    前記新しいレイアウトを生成するステップは前記レイアウトを解析するステップで解析された前記レイアウトと、前記タイトルを解析するステップで解析された前記タイトルと、前記新しいレイアウトを生成するステップで生成された前記新しいレイアウトとを用いて前記レイアウトの主要な構成要素を選別するステップと、
    前記レイアウトを解析するステップで解析された前記レイアウトと、前記新しいレイアウトを生成するステップで生成された前記新しいレイアウトと、前記主要な構成要素を選別するステップで選別された前記主要な構成要素とを用いて前記レイアウトの構成要素をグループ化し、新しいレイアウトを生成するステップと
    を具備する
    文書解析方法。
14. 請求項１１乃至１３に記載の文書解析方法において、
    前記レイアウトを解析するステップは、前記グループ化された文書記述要素以下の前記文書記述要素の配置を参照し、直前のグループ化に用いられた方向の直交方向に並置された前記文書記述要素をグループ化する処理を所定の回数繰り返してレイアウトを解析するステップを具備する
    文書解析方法。
15. 請求項１１乃至１４のいずれか一項に記載の文書解析方法において、
    前記レイアウトを解析するステップは、前記グループ化された文書記述要素以下の前記文書記述要素の配置を参照し、直前のグループ化に用いられた方向の直交方向に並置された前記文書記述要素をグループ化する処理を所定の回数繰り返して次階層のレイアウトを解析するステップを具備する
    文書解析方法。
16. 請求項１１乃至１５のいずれか一項に記載の文書解析方法において、
    前記レイアウトを解析するステップは、前記文書記述要素のうち一部の指定された文書記述要素のみの配置を参照するステップを具備する
    文書解析方法。
17. 構造化文書又は半構造化文書の文書記述要素の名前、属性、スタイル、内容のいずれか１つ以上の値に基づくタイトル解析ルールを記憶するステップと、
    前記構造化文書又は前記半構造化文書に含まれる文書記述要素の名前、属性、スタイル、内容のいずれか１つ以上と前記タイトル解析ルールとを照合してタイトルを解析するステップとを具備する
    文書解析方法。
18. 構造化文書又は半構造化文書のレイアウト及びタイトルを、前記構造化文書又は前記半構造化文書に含まれる文書記述要素を参照する表現形式に整形し出力するステップを具備する
    文書解析方法。
19. 構造化文書又は半構造化文書と、前記構造化文書又は前記半構造化文書のレイアウトの情報が記述された文書を用いて目次文書を生成、出力するステップと、
    前記構造化文書又は前記半構造化文書と、前記レイアウトの情報が記述された文書を用いて目次の項目の内容を記述した文書を生成、出力するステップとを具備する
    文書適応方法。
20. 構造化文書又は半構造化文書のＵＲＩと、前記構造化文書又は前記半構造化文書の出力構成要素のＩＤの組み合わせの集合を出力構成要素情報として出力構成要素情報記憶部に記憶するステップと、
    前記出力構成要素情報と、前記出力構成要素情報に記述されたＵＲＩに対応する前記構造化文書又は前記半構造化文書と、前記構造化文書又は前記半構造化文書に対応するレイアウトの情報が記述された文書を用いて合成文書を生成、出力するステップとを具備する
    文書適応方法。
21. 構造化文書又は半構造化文書に含まれる文書記述要素の配置を参照し、一定の方向に並置された前記文書記述要素をグループ化して前記構造化文書又は前記半構造化文書のレイアウトを解析するステップ
    を含むプロセスをコンピュータ上で実行するためのプログラムコードを記録する
    記録媒体。
22. 請求項２１に記載の記録媒体において、
    前記プロセスは、更に、
    前記構造化文書又は前記半構造化文書の文書記述要素の名前、属性、スタイル、内容のいずれか１つ以上の値に基づくタイトル解析ルールを記憶するステップと、
    前記構造化文書又は前記半構造化文書に含まれる前記文書記述要素の名前、属性、スタイル、内容のいずれか１つ以上と前記タイトル解析ルールとを照合してタイトルを解析するステップと、
    前記レイアウトを解析するステップで解析された前記レイアウトと、前記タイトルを解析するステップで解析された前記タイトルとを用いて前記レイアウトの構成要素をグループ化し、新しいレイアウトを生成するステップ
    とを含む
    記録媒体。
23. 請求項２２に記載の記録媒体において、
    前記新しいレイアウトを生成するステップは、
    前記レイアウトを解析するステップで解析された前記レイアウトと、前記タイトルを解析するステップで解析された前記タイトルと、前記新しいレイアウトを生成するステップで生成された前記新しいレイアウトとを用いて前記レイアウトの主要な構成要素を選別するステップと、
    前記レイアウトを解析するステップで解析された前記レイアウトと、前記新しいレイアウトを生成するステップで生成された前記新しいレイアウトと、前記主要な構成要素を選別するステップで選別された前記主要な構成要素とを用いて前記レイアウトの構成要素をグループ化し、新しいレイアウトを生成するステップ
    とを備える
    記録媒体。
24. 請求項２１に記載の記録媒体において、
    前記レイアウトを解析するステップは、前記グループ化された文書記述要素以下の前記文書記述要素の配置を参照し、直前のグループ化に用いられた方向の直交方向に並置された前記文書記述要素をグループ化する処理を所定の回数繰り返してレイアウトを解析するステップを備える
    記録媒体。
25. 請求項２１に記載の記録媒体において、
    前記レイアウトを解析するステップは、前記グループ化された文書記述要素以下の前記文書記述要素の配置を参照し、直前のグループ化に用いられた方向の直交方向に並置された前記文書記述要素をグループ化する処理を所定の回数繰り返して次階層のレイアウトを解析するステップを具備する
    記録媒体。
26. 請求項２１に記載の記録媒体において、
    前記レイアウトを解析するステップは、前記文書記述要素のうち一部の指定された文書記述要素のみの配置を参照するステップを備える
    記録媒体。
27. 構造化文書又は半構造化文書の文書記述要素の名前、属性、スタイル、内容のいずれか１つ以上の値に基づくタイトル解析ルールを記憶するステップと、
    前記構造化文書又は前記半構造化文書に含まれる文書記述要素の名前、属性、スタイル、内容のいずれか１つ以上と前記タイトル解析ルールとを照合してタイトルを解析するステップ
    を含むプロセスをコンピュータに実行させるためのプログラムコードを記録する
    記録媒体。
28. 構造化文書又は半構造化文書のレイアウト及びタイトルを、前記構造化文書又は前記半構造化文書に含まれる文書記述要素を参照する表現形式に整形し出力するステップ
    を含むプロセスをコンピュータ上で実行するためのプログラムコードを記録する
    記録媒体。
29. 構造化文書又は半構造化文書と、前記構造化文書又は前記半構造化文書のレイアウトの情報が記述された文書を用いて目次文書を生成、出力するステップと、
    前記構造化文書又は前記半構造化文書と、前記レイアウトの情報が記述された文書を用いて目次の項目の内容を記述した文書を生成、出力するステップ
    を含むプロセスをコンピュータ上で実行するためのプログラムコードを記録する
    記録媒体。
30. 構造化文書又は半構造化文書のＵＲＩと、前記構造化文書又は前記半構造化文書の出力構成要素のＩＤの組み合わせの集合を出力構成要素情報に記憶するステップと、
    前記出力構成要素情報と、前記出力構成要素情報に記述されたＵＲＩに対応する前記構造化文書又は前記半構造化文書と、前記構造化文書又は前記半構造化文書に対応するレイアウトの情報が記述された文書を用いて合成文書を生成、出力するステップ
    を含むプロセスをコンピュータ上で実行するためのプログラムコードを記録する
    記録媒体。

Images