Claris Connect、Documents Utilityを触る（1）

Dates Utilityの機能は大きく2種類

• 画像やドキュメントファイルからのテキスト抽出
• データ形式のコンバート」の2つの役割

今回は画像やドキュメントファイルからのテキスト抽出について

Extract text from .pdf（pdfからテキストを抽出する）

• 指定したURLにあるpdfからテキストを取得
• パスワード付きのPDFにも対応
• 改行コード（¥n）のありなしを、指定できる
• 現在（2020/06/07）日本語の抜き出しは、文字化けする

• 文字コードはUTF-8で指定（これで合っているはず）
• 他の文字コードの選択肢でも、念のためトライしたが失敗

• 英語は問題なし

Extract text from .doc or .docx（docまたは.docxからテキストを抽出する）

• 指定したURLにあるWord書類からテキストを取得
• 改行コード（¥n）のありなしを、指定できる

• 日本語も問題なし

Extract text from .png or .jpg（pngまたは.jpgからテキストを抽出する）

• 指定したURLにある画像からテキストを取得
• 画僧がどの言語かを指定する必要がある（カスタム値も入寮可能）
• 改行コード（¥n）のありなしを、指定できる
• 日本語の取得は失敗

• カスタム入力で言語を日本語（Japanese）に指定したが、404エラーで失敗

• 英語の場合は画像からテキストの抽出が可能

Extract text from .rtf（rtfからテキストを抽出する）

• 指定したURLにあるリッチテキスト書類からテキストを取得
• 改行コード（¥n）のありなしを、指定できる

• 日本語テキストも取得可能

使ってみた感想

• PDFや画像からテキストの抽出ができるのは、非常に面白い機能。
• 図表が入っている場合に、どれくらいの精度でテキストが抽出されるのかは気になる。
• 実際の使い所があるかどうかは、ちょっと悩むところもあるかもしれない（Word書類や、pdf書類のの内容をそのまま展開するケースは考えにくく、何かしらの処理が追加されてはじめてワークフローに活用できるのではないか）