PDFlib TET 4.1

2 PDFlib TET 4.1, 2012-02 PDFlib GmbH www.pdflib.com
問 題 を 含 む PDF に 対 するオプション 設 定
TET は、 他 の 製 品 では 正 しくテキストを 抽 出 できないようなさまざ
まな 種 類 の PDF に 対 して、 特 殊 な 処 理 や 回 避 策 を 実 現 します。さ
らに、 問 題 文 書 の 処 理 を 改 善 するためのさまざまな 設 定 機 能 を 備
えています。
>> 文 字 コードまたはグリフ 名 を Unicode へマッピングするテーブル
をユーザーが 設 定 することによって、Unicode マッピングをカス
タマイズすることができます。
>> PDFlib FontReporter は、PDF 内 のフォント、エンコーディング
及 びグリフを 分 析 する 補 助 ツールで、Adobe Acrobat のプラグイ
ンとして 動 作 します。このプラグインには Mac 版 と Windows 版
があり、 無 料 で 使 用 できます。
>> Unicode マッピングに 有 効 な 情 報 を 得 るために 埋 め 込 みフォント
を 解 析 します。フォントが 埋 め 込 まれていないときは、 外 部 フォ
ントファイルまたはシステムフォントを 用 い、テキスト 抽 出 結 果 を
改 善 します。
Unicode への 後 処 理
TET は Unicode への 様 々な 後 処 理 をサポートし、より 良 い 抽 出 結
果 が 得 られるようにします。
>> フォルディングは 文 字 の 保 持 や 削 除 、 置 換 を 行 います。 例 えば、
検 索 と 無 関 係 な 句 読 点 や 不 要 な 文 字 を 削 除 します。
>> デコンポジッションは 文 字 を 一 字 ないし 複 数 の 等 価 な 文 字 に 置 き
換 えます。 例 えば、 和 文 の 半 角 ・ 全 角 キャラクタや 英 字 の 上 付 き
形 (ª 等 )を、 標 準 的 で 等 価 な Unicode 文 字 に 置 き 換 えます。
>> 正 規 化 はテキストをすべて 4 バイトの Unicode に 変 換 します。
例 えば、Web テキストやデータベースの 要 件 に 合 うように NFC
形 式 で 出 力 します。
文 書 の 領 域
PDF 文 書 では、ページコンテンツ 以 外 の 場 所 にもテキストがありま
す。 多 くのアプリケーションはページコンテンツしか 扱 いませんが、
文 書 のその 他 の 領 域 が 必 要 な 場 面 も 多 くあります。TET は、 以 下 の
文 書 領 域 全 てからテキストを 抽 出 することができます。
>> ページコンテンツ
>> 定 義 済 み 及 びカスタム 文 書 情 報 項 目
>> 文 書 と 画 像 レベルの XMP メタデータ
>>しおり
>> ファイル 添 付 と PDF ポートフォリオの 再 帰 的 処 理
>> フォームフィールド
>> コメント( 注 釈 )
>> ページ 数 や PDF/A・PDF/X 等 標 準 への 準 拠 状 態 など 一 般 的 PDF
プロパティ
XMP メタデータ
TET は、 以 下 のような 形 式 で XMP メタデータをサポートしています。
>> 内 蔵 pCOS インタフェースを 用 い、 文 書 、 各 ページ、 画 像 また
は 文 書 のその 他 部 分 の XMP メタデータをプログラムにより 抽 出
する。
>> XMP 文 書 や 画 像 メタデータが PDF 文 書 内 に 存 在 する 場 合 には
TETML 出 力 にこれを 含 める。
>> 画 像 メタデータが PDF 文 書 内 に 存 在 する 場 合 には TIFF または
JPEG 形 式 で 抽 出 された 画 像 にこれを 含 む。
TETML:PDF 内 容 を XML で 表 現
TET では、PDF コンテンツを TETML という 一 種 の XML で 表 現 す
ることができます。TETML で 表 現 されたさまざまな PDF 情 報 は 広
く 用 いられている XML ツールで 容 易 に 処 理 することができます。
TETML にはテキスト 本 体 のほか、フォント、 位 置 情 報 、 画 像 ・カラー
スペースなどリソースの 詳 細 及 びメタデータを 含 めることができま
す。
TETML は、 対 応 する XML スキーマに 規 定 されており、TET はつねに、
一 貫 性 と 信 頼 性 を 具 えた XML 出 力 を 生 成 します。フィルタリングや
書 式 の 変 換 などのために XSLT スタイルシートで TETML を 処 理 す
ることも 可 能 です。TET には、TETML を 処 理 するサンプル XSLT ス
タイルシートが 添 付 されています。
以 下 に 示 すのはグリフの 詳 細 の 一 部 を TETML で 表 したものです。
PDFlib
P
D
F
l
i
b
TET コネクタ
TET コネクタは、TET を 他 のソフトウェアと 連 携 するのに 必 要 な 接
続 用 プログラムです。 以 下 の TET コネクタにより、PDF テキスト 抽
出 機 能 が 各 種 ソフトウェア 環 境 で 利 用 可 能 になります。
>> Lucene 検 索 エンジン 用 TET コネクタ
>> Solr 検 索 サーバ 用 TET コネクタ
>> TIKA toolkit 用 TET コネクタ
>> Oracle Text 用 TET コネクタ
>> MediaWiki 用 TET コネクタ
>> Microsoft 社 製 品 用 には、PDFlib TET PDF IFilter をお 使 いくださ
い。PDF 文 書 からテキストとメタデータを 抽 出 し、Windows 上
の 検 索 ・ 抽 出 ソフトウェアでの 利 用 を 可 能 にします( 詳 しくは
PDFlib TET PDF IFilter のデータシートをご 覧 下 さい)
TET クックブック
TET クックブックは、さまざまなテキスト・ 画 像 抽 出 タスクにおける
TET の 使 用 法 を 示 したプログラミング 作 成 例 集 です。ページ 上 のテ
キストに 応 じてしおりやリンクを 追 加 するなど、TET と PDFlib+PDI
を 組 み 合 わせて PDF 文 書 を 改 良 する 方 法 を 示 したサンプルもあり
ます。