PDFをテキスト化するツールNaked

Nakedというツールがある。一見すると単純にスタイルシートを無効化したり、ルビを振ったりするだけに見えるのだが、実はそれだけではない。作者の表現を利用するならば音声ブラウザ (に限らず様々なデバイス) に対してできるだけ最適化されたコンテンツに自動変換してページのデータを返すゲートウェイ。確かに音声環境に対するアプローチが秀逸なのだ。

• PDFのテキスト化
  • 文章の途中でページ区切りが起きないように文章をつなぐ
• 記号や数式や日付や単位をできるだけ読み上げに適した形に変換
• 一部の物理要素を論理要素に置き換え

より詳細には、こんな機能を持っている。

• スタイルシートと思わしき部分の削除
• 一部の物理要素を論理要素に置換
  • bをstrongに、sをdelに、など
• 2007/05/12や$10,000などといった音声ブラウザで読み上げにくい表記を2007年05月12日や10,000ドルといった表現に置換
• 体裁を整えるために挿入された空白の除去
  • 例えば「北　海　道」を「北海道」にする
• Unicode::Normalizeで正規化
• 画像やiframe、embedを外部リンクに化
  • 但し「spacer.gif」(←決め打ち)は無視
• JavaScriptを削除しnoscript要素を有効に
• レイアウト用のテーブル(らしき)ものを無効に
• altが空の画像を削除
• PDFのテキスト化

Naked、なかなか良くできてます。

• Naked(beta)のこれから。 (Junnama Online (Mirror))
• 音声ブラウザと相性の良いHTMLを作る(5)。 (Junnama Online (Mirror))
• 音声ブラウザができるだけ読み上げやすいページに変換しようと試みるゲートウェイ(αβ)。 (Junnama Online (Mirror))

この文書の諸情報

この文書の永続的URI

http://kuruman.org/diary/2007/08/16/naked

公開日時

2007年8月16日 午後11時00分34秒

ヘルプ

フィードバックについて

更新情報

http://kuruman.org/note/index.xml

This document is licensed under a CC : by-nc. 2007, Kuruma; .