AppleScriptでPDFからテキストを抽出する

Piyomaru Software⻑野⾕ 隆昌

http://piyocast.com/as/

2016.9.26 Cocoa勉強会 Ikebukuro発表内容

現在、AppleScriptはCocoa-bridgedな⾔語• OS X 10.10以降、AppleScriptのすべてのランタイム環境で

Cocoa機能の呼び出しがサポートされるようになったMy brand-new AS Books are now on sale!

「AppleScript最新リファレンス」https://piyomarusoft.booth.pm/items/307646

「最新事情がわかるAppleScript 10⼤最新技術」https://piyomarusoft.booth.pm/items/301502

Cocoa-bridgedだが、制約もけっこーあるBlocks構文、protocolは未サポート→ 呼べないFrameworkがたくさんある(T_T)

詳細は、AppleScriptObjC Release Notes、Wikipedia「AppleScript」の項⽬（⾃分が書きました）参照のこと

数千本のAppleScriptのストックから

サードパーティのエディタでオープンASObjC Explorer 4

Cocoaメソッドなどの⼊⼒補完

Cocoaオブジェクトやイベントのログ表⽰できることが特徴

Apple純正のスクリプトエディタでは、これらの機能をサポートしていない

Code:-- Created 2015-08-12 by Shane Stanley, Christopher Stoneuse AppleScript version "2.4"use scripting additionsuse framework "Foundation"use framework "Quartz"

set aFile to POSIX path of (choose file of type {"com.adobe.pdf"})set aTEXT to pdf2Text(aFile)

--PDFの全ページからテキストを抽出するon pdf2Text(thePath)

set theText to current application's NSMutableString's |string|()set anNSURL to current application's |NSURL|'s fileURLWithPath:thePathset theDoc to current application's PDFDocument's alloc()'s initWithURL:anNSURLset theCount to theDoc's pageCount() as integer

repeat with i from 1 to theCountset thePage to (theDoc's pageAtIndex:(i - 1))(theText's appendString:(thePage's |string|()))

end repeat

return theText as text

end pdf2Text

実際にPDFテキスト抽出①PDFサンプル１：⾃分で書いた本

Markdownエディタ「MacDown」やPagesから出⼒したPDF

すべて横書き

複雑なレイアウトはしていない（書籍なので）

→ 問題なくテキスト抽出できた

実際にPDFテキスト抽出②PDFサンプル2：吉川さんがInDesignで作った縦書き⽂章のPDF

Adobe InDesignから出⼒したPDF

すべて縦書き

複雑なレイアウトはしていない

→ 問題なくテキスト抽出できた

PDFDocumentからのテキスト抽出凝ったレイアウトを⾏なっていない「素朴なPDF」からのテキスト抽出は問題ない？

ただし、「本当にすべて抽出できているのか」を確認する必要はある

これまでに、納品書のPDF（国際宅急便業者）からのデータ抽出を⾏い、⾚ペン⽚⼿にデータをチェックしてみたが、部分的に⽋落するケースがあった

→ 最終的に、Adobe IllustratorでPDFをオープンしてテキスト抽出を実施（対象PDFデータが英語のみだったので。なぜかAdobe Illustrator Mac版ではPDFから⽇本語テキストを抽出できない）

過信は禁物。ひととおり既存のデータでチェックして、テキスト抽出もれについて調査しておかなくてはならない