JPH0721160A - 表内データ抽出装置 - Google Patents

Abstract

(57)【要約】 【目的】構造化文書の表内データ抽出装置において、構
造化文書から指定された表内データを簡単かつ正確に抽
出できるようにする。 【構成】入力制御部１１で対象となる構造化文書の文書
名、表の名前、抽出したいセル領域の指定を受付け、文
書受付部１２で表内データ抽出処理の対象となる構造化
文書を受付ける。表領域抽出部１３は指定された文書に
記述された表の識別子に基づいて指定された表を抽出す
る。セル領域特定部１４は抽出された表の中から指定さ
れたセル領域に該当するセルを特定する。セル内容抽出
部１５は前記特定されたセルに対応する内容情報を抽出
し、表示制御部１６は前記出力された表内データを表示
する。

Description

【発明の詳細な説明】

【０００１】

【産業上の利用分野】この発明は、構造化文書を編集処
理する文書処理装置に関し、詳しくは文書処理装置とと
もに利用される構造化文書の表内データ抽出装置に関す
る。

【０００２】

【従来の技術】論理構造を持つ構造化文書の代表的なも
のとして、ＯＤＡ（Office DocumentArchitecture ISO8
613-1）で規定された文書がある。この文書は、図１６
の文書構造に示すように、共通論理構造、共通割付け構
造、特定論理構造、特定割付け構造の４つの構造から構
成されており、論理構造は章、節、段落といった文書の
構成部品の組み合わせで構成されている。図１６の文書
構造によれば、文書の特定論理構造は共通論理構造に従
った形式となる。したがって、文書処理装置で文書を保
存する際に特定論理構造を保存すると、その保存の構造
は共通論理構造に則った形式となる。

【０００３】従来、このような構造化文書の表からデー
タを抽出する技術としては、例えば、特開平２−１１６
９７０号公報に開示された表内データ自動抽出処理方式
がある。この抽出処理方式は、文書中の罫線データで記
述される表の内部データの抽出を目的としたものであっ
て、文書中の罫線文字を捜して交点を抽出し、罫線
により表が記述されているかどうかを判定する「表の形
態チェック処理」を行い、罫線で囲まれるカラム（矩
形領域の単位）を決定し、そのカラムに対応するデー
タを抽出する、という処理を経て表内データの抽出を行
っていた。

【０００４】

【発明が解決しようとする課題】上述した従来の抽出処
理方式では、表内データの抽出に多くの手順を必要とす
るため、抽出処理が複雑なものとなっていた。また、従
来の抽出処理方式では罫線文字を基準に表を判定してい
るため、罫線文字が表以外に使用されている場合は、表
でないものを表として判定したり、あるいは表であるに
もかかわらず、表でないと判定するなどの不具合があっ
た。また、同一文書中の複数の表の中から、特定の表内
データだけを抽出することは困難であった。

【０００５】この発明は、構造化文書から特定の表内デ
ータを簡単かつ正確に抽出することができる表内データ
抽出装置を提供することを目的とする。

【０００６】

【課題を解決するための手段】上記課題を解決するた
め、この発明に係わる表内データ抽出装置においては、
対象となる構造化文書を受付ける文書受付手段と、抽出
したいセル領域を指定するセル領域指定手段と、前記文
書受付手段で受付けた構造化文書の文書中に記述された
表の識別子に基づいて、文書中から対象となる表を抽出
する表領域抽出手段と、前記表領域抽出手段で抽出され
た表の中から、前記セル領域指定手段で指定されたセル
領域に該当するセルを特定するセル領域特定手段と、前
記セル領域特定手段で特定されたセルに対応する内容情
報（文字など）を抽出するセル内容抽出手段と、前記セ
ル内容抽出手段で出力されたデータをディスプレイ等に
表示する表示手段とを具えることを特徴とする。

【０００７】

【作用】文書受付手段では処理対象となる構造化文書を
受付け、セル領域指定手段では抽出したいセル領域の指
定を受け付ける。表領域抽出手段は、文書受付手段で受
付けた構造化文書の文書中に記述された表の識別子に基
づいて処理の対象となる表を抽出する。セル領域特定手
段は、前記表領域抽出手段で抽出された表の中から、セ
ル領域指定手段で指定されたセル領域に該当するセルを
特定する。セル内容抽出手段は、前記セル領域特定手段
で特定されたセルに対応する内容情報を抽出する。表示
手段は前記セル内容抽出手段で出力されたデータを表示
する。

【０００８】

【実施例】以下、この発明に係わる表内データ抽出装置
の一実施例を図面を参照しながら説明する。

【０００９】図１は、この発明に係わる表内データ抽出
装置の一実施例を示す構成ブロック図である。この表内
データ抽出装置１０は、入力制御部１１、文書受付部１
２、表領域抽出部１３、セル領域特定部１４、セル内容
抽出部１５、表示制御部１６から構成されている。

【００１０】入力制御部１１は、対象となる構造化文書
の文書名、表の名前、抽出したいセル領域の指定を受付
ける。

【００１１】文書受付部１２は、表内データ抽出処理の
対象となる構造化文書を受付ける。表領域抽出部１３
は、前記入力制御部１１で指定された文書に記述された
表の識別子に基づいて、指定された表（指定がないとき
は先頭の表）を抽出する。

【００１２】セル領域特定部１４は、前記表領域抽出部
で抽出された表の中から、前記入力制御部１１で指定さ
れたセル領域に該当するセルを特定する。

【００１３】セル内容抽出部１５は、前記セル領域特定
部１４で特定されたセルに対応する内容情報を抽出す
る。

【００１４】表示制御部１６は、前記セル内容抽出部１
５で出力された表内データをディスプレイ装置に表示す
る。なお、抽出されたデータは、ディスプレイ装置に表
示するだけでなく、記録紙上に印字出力してもよいし、
図示せぬ記憶装置にファイルとして保存してもよい。

【００１５】図２は、図１に示した表内データ抽出装置
１０を実現するためのハードウェア構成を示したもの
で、文書処理装置としての機能を具えた、例えばワーク
ステーションやパソコンなどのブロック図を示してい
る。

【００１６】ＣＲＴ１は、ディスプレイ画面上にデータ
やリストを表示する。ＣＲＴ１での表示はＣＲＴ制御部
２により制御されている。ＣＲＴ１及びＣＲＴ制御部２
は、図１の表示制御部１６の機能を実現している。

【００１７】キーボード３は、コマンドや文字列などの
データ入力用の入力装置であり、画面上で指示選択を行
うためのマウス４が接続されている。キーボード３やマ
ウス４から入力された各種のデータや指示は、キーボー
ド／マウス制御部５を通じてプロセッサ部９に送られ
る。キーボード３、マウス４、キーボード／マウス制御
部５は、図１の入力制御部１１の機能を実現している。

【００１８】ディスク６は、磁気ディスク等の２次記憶
装置で構成され、文書データをファイル形式で格納して
いる。ディスク６でのデータの入出力はディスク制御部
７で制御されている。ディスク６及びディスク制御部７
は、図１の文書受付部１２の機能を実現している。

【００１９】主記憶装置８は、ＲＡＭなどのメモリ装置
で構成されるバッファ記憶であり、制御プログラム、キ
ーボード３及びマウス４から入力された各種のデータや
命令などを一時的に保持する。

【００２０】プロセッサ部９は、制御プログラムに従っ
て上記各部を動作させ、システム全体を管理するととも
に、所定のデータに対して演算処理を行う。主記憶装置
８及びプロセッサ部９は、図１の表領域抽出部１３、セ
ル領域特定部１４、セル内容抽出部１５の機能を実現し
ている。

【００２１】図３は構造化文書による文書ファイルの記
述例を示す説明図、図４は図３の文書ファイルにおける
セルの構成図である。なお、図３の文書ファイルでは、
説明を簡単にするために文字表現で記述した例を示して
いる。

【００２２】この例の文書ファイルでは、段落、図形
（図示せず）、表の内容部分を、それぞれChr 、Geo 、
Tbl という名称で識別することができる。図において、
Tbl というキーワードに続く｛ ｝内の内容は表に関す
るものである。表の名前はname= の値であり、「´」に
くくられた部分が表の名前を表している。ここでは、Ta
ble 1 が表の名前となる。表の罫線情報は、水平線がHo
r 、垂直線がVer の部分に記述される。

【００２３】水平線の数はLinelnfoの数であり、この例
では３本の水平線がある。Linelnfoにおいて、Pos は表
枠の上を０としたときのＹ方向の座標点であり、FromTo
は開始の垂直線位置、終了の垂直線位置を表している。
例えば、Linelnfo={Pos=0;Sec={FromTO=[0,5];};};は、
表の一番上の線（Ｙ座標の０）であって、表の左はじ
（FromTO= の０）から始まり、５個分のセルをまたがっ
た位置まで（FromTO= の５）伸びる水平線であることを
意味している。

【００２４】垂直線の数はLinelnfoの数であり、この例
では４本の垂直線からなる。Pos は表の左はしを０とし
たときのＸ方向の座標点であり、FromToは開始の水平線
位置、終了の水平線位置を表す。

【００２５】cellはセルの属性を表し、セルの総数は、
格子状の表であれば、（水平Linelnfoの個数−１）×
（垂直Linelnfoの個数−１）で得られる。この例では、
（３−１）×（４−１）で６個となる。セル数は、表の
左上端からＸ方向に順番に端まで進むと、左端に戻って
Ｙ方向に一段下がり、再びＸ方向に向かって順番にカウ
ントする。cell= の内容部分のcellAttrは、このカウン
ト順にセルの属性情報が並ぶ。段落の内容部分であるCh
r も、このカウント順に文字情報が並ぶ。

【００２６】次に、図１の表内データ抽出装置１０にお
いて、指定された文書の指定されたセル領域からデータ
を抽出する場合の基本的な処理の流れを図５のフローチ
ャートにより説明する。

【００２７】まず、表領域抽出部１３は指定された文書
の読み込みを行い、読み込みに成功したかどうかを判断
する（ステップ１０１）。ここで、読み込みに成功した
ときは、読み込んだ文書から指定された表の検索を行
い、検索に成功したかどうかを判断する（ステップ１０
２）。ここでは、Tbl 識別子で開始するコンポーネント
を文書の先頭から捜していく。表の指定があるときはna
meフィールドのチェックを行う。表の指定がなければ先
頭の表を捜す。

【００２８】ステップ１０２で表の検索に成功すると、
セル領域特定部１４は検索された表の中から指定された
セル領域に該当するセルを特定するため、指定領域の判
定を行う（ステップ１０３）。ここでは、表の寸法（ｎ
行ｍ列）を表の境界線情報から得、指定領域があれば、
その領域が表に含まれるかどうかを判定する。セル領域
の指定が、例えば「２行２列目のセルを左上、５行４列
目のセルを右下にもつ矩形領域」というように、抽出し
たい領域の左上、右下のセルの行列数で指定された場合
は、これらの指定セルが表に含まれるかどうかを調べ
る。表の論理的なセル数は、 （水平境界線数−１）×（垂直境界線数−１）＝（Hor
フィールドのLinelnfoの個数−１）×（Ver フィールド
のLinelnfoの個数−１） で求められる。なお、領域指定なし（デフォルト）の場
合は、表の全ての領域を対象とする。指定領域が表に含
まれているとき、及びデフォルトのときは、以降の抽出
対象領域の先頭（左上）、最後（右下）のセル番号が決
定する。

【００２９】さて、ステップ１０３で指定領域の判定に
成功すると、セル内容抽出部１５は特定されたセルに対
応するセル内容データの抽出を行う（ステップ１０
４）。ここでは、先頭セルから最終セルまでに対応する
Chr 情報を取り出して出力する。ステップ１０１で指定
された文書の読み込みに失敗したとき、ステップ１０２
で指定の表が検索できなかったとき、及びステップ１０
３でセル領域の指定が指定違反（例えば、実際の表にな
い指定など、処理不能な指定の場合）であったときは、
ステップ１０５で異常処理を行う。

【００３０】次に、上記ステップ１０３の指定領域判定
とステップ１０４のセル内容データ抽出処理について、
さらに詳細に説明する。図６は処理の対象となる表の構
成例を示す図、図７は指定領域判定及びセル内容データ
の抽出処理の流れを示すフローチャートである。ここで
は、図６に示すようなｍ行ｎ列の表から、ｐ行ｑ列のセ
ルを左上に持ち、かつｒ行ｓ列のセルを右下に持つよう
な領域を判定し、この領域に対応するセル内容データを
抽出する場合について説明する（ただし、表中のセルは
０からカウントする。最初のセルなら０となる）。な
お、前記ｐ行ｑ列のセルからｒ行ｓ列のセル領域を指定
するためには、ｐ、ｑ、ｒ、ｓの値が必要となる。

【００３１】変数lineの初期値をｐ（ステップ２０
１）、ループの継続条件をline≦ｒとして（ステップ２
０２）、ｐ行目からｒ行目まで各行順番に以下の処理を
行う。

【００３２】まず、行がline、列がｑで指定されるセル
が先頭から何個目のセルかを求めて、変数sCell とし
（ステップ２０３）、続いて、行がline、列がｓで指定
されるセルが先頭から何個目のセルかを求めて、変数eC
ell とする（ステップ２０４）。これにより、処理の対
象となるセル番号が求められる。

【００３３】そして、変数sCell ≦変数eCell が成立す
るかどうかを判断する（ステップ２０５）。ここで、Ｙ
ｅｓであるときは、変数sCell の番号のセルに対応する
文字内容を取得し（ステップ２０６）、出力する（ステ
ップ２０７）。ここでは、図３の文書ファイルのCell＝
｛…} の次に続く（セルの個数だけある）Chr{lnfo={…
文字内容情報…｝；｝のフィールドの、指定番目ｎ個目
の文字内容情報を取り出す。

【００３４】次に、変数sCell ≠変数eCell が成立する
かどうかを判断する（ステップ２０８）。ここで、Ｎｏ
であるときは、変数sCell の値を＋１とし（ステップ２
１０）、ステップ２０５に戻って次のセルの処理に移
る。また、Ｙｅｓであるとき（その行の最後のセルでな
いとき）は、区切り文字″，″を出力し（ステップ２０
９）、ステップ２１０に進む。

【００３５】ステップ２０５で変数sCell ≦変数eCell
の条件がＮｏとなったとき、すなわち一行分の処理が終
了したときは、改行文字を出力し（ステップ２１１）、
変数lineの値を＋１として（ステップ２１２）、次行の
処理に移る。

【００３６】このようにして、ステップ２０２でその値
が最終行を示すｒを越えるまで破線で示すループ内の処
理を行う。

【００３７】次に、上記ステップ２０３（及びステップ
２０４）において、指定された行列のセルまでのセル番
号（先頭から何個目のセルか）を得る場合の処理につい
て説明する。ここでは、図６の斜線で示されたセル領域
のうち、左上にある一つのセルを代表例として説明す
る。その他のセルついても処理は同じである。図８は処
理の対象となる表の構成例を示す図、図９は対象セルの
構造化文書による記述例を示す説明図である。図８で
は、ｍ行ｎ列の表から、ｐ行ｑ列のセル番号を求める。
具体的には、ｐ、ｑを境界線番号と考え、ｐ、ｑの交点
が左上となるセルの番号を求める。以下、セル番号を得
るための処理の流れを図１０のフローチャートにより説
明する。

【００３８】cellCount を−１（ステップ３０１）、変
数 iの初期値を０（ステップ３０２）、ループの継続条
件を i＜ｐとして（ステップ３０３）、以下の処理を行
う。

【００３９】まず、Hor フィールドの現在の i番目のLi
nelnfoのFromTo=[HS,HE]の値HS,HEを得て、j = HSとす
る（ステップ３０４）。次に、j ＜HEが成立するかどう
かを判断し（ステップ３０５）、ＹｅｓであればVer フ
ィールドの j番目ｎｏLinelnfoのFromTO[s,e] の値 s,e
を得る（ステップ３０６）。そして、Ver フィールドの
FromTO[s,e] の開始点s 、終了点e と着目行i の関係が
s ≦ i≦e の条件を満たすかどうかを判断する（ステッ
プ３０７）。ここで、Ｙｅｓであれば、cellCount を＋
１（ステップ３０８）、 jを＋１（ステップ３０９）と
して、ステップ３０５に戻って次のLinelnfoを見る。ま
た、Ｎｏであれば（例えば、格子状でないとき）、ステ
ップ３０９に進む。ステップ３０５でj ＜HEが成立しな
いときは、変数 iの値を＋１として（ステップ３１
０）、ステップ３０３に戻る。

【００４０】さて、ステップ３０３で i＜ｐが成立しな
いときは、i=ｐ（着目行）の直前の行までカウントした
ので、次に着目行のカウントを行う。Hor フィールドの
現在のHS番目のLinelnfoのFromTo=[HS,HE]の値HS,HE を
得て、j = HSとする（ステップ３１１）。次に、j ≦ｑ
が成立するかどうかを判断し（ステップ３１２）、Ｙｅ
ｓであればVer フィールドの j番目ｎｏLinelnfoのFrom
TO[s,e] の値 s,eを得る（ステップ３１３）。そして、
s ≦ i≦e の条件を満たすかどうかを判断する（ステッ
プ３１４）。ここで、ＹｅｓであればcellCount を＋１
（ステップ３１５）、 jを＋１（ステップ３１６）とし
て、ステップ３１２に戻って次のLinelnfoを見る。ま
た、ステップ３１４がＮｏであれば、ステップ３１６に
進む。ステップ３１２でＮｏであれば処理を終了する。

【００４１】以上の処理によって、ｐ行ｑ列のセル番号
が求められる。なお、図７のステップ２０４の処理を行
うときは、図１０のステップ３１２で判断条件をj ≦ｓ
とすればよい。また、行ｒのときはステップ３０３の判
断条件を i＜ｓとする。

【００４２】次に、上記処理による表内データの抽出例
について説明する。図１１は抽出例の表を示したもの
で、領域指定のない場合（表全体）は、図１２に示すよ
うな抽出結果が得られる。また、２行１列のセルと４行
４列のセルを対角となす領域を指定した場合は、図１３
に示すような抽出結果が得られる。

【００４３】応用例として、カラムデータの区切り
に″，″以外の記号文字を指定したり、１つのカラムの
文字列を” ”で囲むように指定することもできる。ま
た、セルの内部に改行を含む文字列が存在する場合は、
改行コードを特定の文字列、例えば″＼ｎ″などに置き
換えるなどして、改行を含むセルデータを表現すること
もできる。図１４に示すような表について、区切りを
‘ ’、カラムデータの囲み記号を””、改行コード
を″＼ｎ″に置き換えた場合は、図１５に示すような抽
出結果が得られる。

【００４４】上述した実施例は、全て格子状の表を前提
としているが、これまで説明した実施例の処理にいくつ
かの追加処理を含めることによって、非格子状の表にも
対応させることができる。

【００４５】

【発明の効果】以上説明したように、この発明に係わる
表内データ抽出装置においては、文書中に記述された識
別子に基づいて表を抽出するとともに、指定されたセル
領域に該当するセルを特定し、このセルに対応する内容
情報を抽出するようにしたため、従来のように表の形態
チェック等の処理が不要となり、抽出処理を簡素化する
ことができる。また、文書中の罫線文字により表を判定
する方式に比べて、表の判定を正確に行うことができ
る。さらには、同一文書中の複数の表の中から、特定の
表内データのみを抽出することも可能となる。

【図面の簡単な説明】

【図１】この発明に係わる表内データ抽出装置の一実施
例を示す構成ブロック図。

【図２】表内データ抽出装置を実現するためのハードウ
ェア構成を示す図。

【図３】構造化文書による文書ファイルの記述例を示す
説明図。

【図４】図３の文書ファイルにおけるセルの構成図。

【図５】指定された文書の指定されたセル領域からデー
タを抽出する場合の基本的な処理の流れを示すフローチ
ャート。

【図６】処理の対象となる表の構成例を示す図。

【図７】指定領域判定及びセル内容データの抽出処理の
流れを示すフローチャート。

【図８】処理の対象となる表の構成例を示す図。

【図９】対象セルの構造化文書による記述例を示す説明
図。

【図１０】セル番号を得るための処理の流れを示すフロ
ーチャート。

【図１１】抽出例の表を示す図。

【図１２】領域指定のない場合の抽出結果を示す図。

【図１３】領域指定した場合の抽出結果を示す図。

【図１４】抽出例の表を示す図。

【図１５】図１４の抽出結果を示す図。

【図１６】ＯＤＡの文書構造を示す図。

【符号の説明】

１１…入力制御部、１２…文書受付部、１３…表領域抽
出部、１４…セル領域特定部、１５…セル内容抽出部、
１６…表制御部

Claims (1)

【特許請求の範囲】
1. 【請求項１】対象となる構造化文書を受付ける文書受付
   手段と、 抽出したいセル領域を指定するセル領域指定手段と、 前記文書受付手段で受付けた構造化文書の文書中に記述
   された表の識別子に基づいて、対象となる表を抽出する
   表領域抽出手段と、 前記表領域抽出手段で抽出された表の中から、前記セル
   領域指定手段で指定されたセル領域に該当するセルを特
   定するセル領域特定手段と、 前記セル領域特定手段で特定されたセルに対応する内容
   情報を抽出するセル内容抽出手段と、 前記セル内容抽出手段で出力されたデータを表示する表
   示手段と、 を具えることを特徴とする表内データ抽出装置。