カテゴリー: TIPS

昨年末の案件で使った方法をメモ。
PDFが文字情報を（画像としてではなく）含んでいる場合、
Adobe Readerで「ファイル」→「テキストとして保存」するとテキストファイルにできる。
良くも悪くも単純なテキストとして書き出されるため、
・日本語版での中国語の書き出しは失敗する（多言語でもあるかも）
・表がべた打ち文字列になる
これを一挙に解決する対症療法を思いついた。
0.　PDFファイルと貼り付け先のWord文書を開いておく
1.　PDF上の使いたい文字列を全て選択
2.　Wordで「編集」→「形式を選択して貼り付け」→「Unicodeテキスト」を選ぶ
3.　貼り付けた結果をよく見る（笑）
　A・表の各行が段落記号で区切られている
　B・表の各列が半角スペースなどで区切られている
　#この2点が目視できない場合、「ツール」→「オプション」→「表示」タブで
　　「編集記号の表示」をいじる
4.　Word上で表にしたい文字列を全て選択し、「罫線」→「変換」→「文字列を表にする」
5.　「区切り記号」に上記3Bの区切り記号を指定する
6.　Wordの表できあがり
ところどころ区切り記号の過不足がある場合は「元に戻す」で3.の段階に戻り、
半角スペースの挿入なり削除なりの調整をして4.に進む。
……文で説明するとややこしそうだが、やってみると便利。
自分で書いた表に一部ずつ貼り付けるより数倍お手軽なはず。

按半周进行的多周期控制 multicycle controlled by half-cycle
といった感じで前半に中国語、後半に英語の綴られたページを発見した。
1000組を超える大量の通信関係用語集である。
使えそうな用語集なので早速Multitermに取り込もうと思ったが、
Excelに貼り付けたテキストをよく見ると中国語と英語の間に区切り文字もタブもない。
文字列の先頭からいくつが全角文字かが分かれば簡単に仕分けできるのだが、
どうもそこまで便利な関数は転がっていないらしい。
そこで苦肉の策。
１）貼り付けたテキストはA列に入っているのでA1にラベル「org」を入力（適当）。
　セルB2に「先頭2文字が全角であれば0を返す」ことを狙い
　=if(left($A2,2)=leftb($A2,4)=0,1) と入力した。
　単語の最大長がわからないので、とりあえずF列までコピーし、先頭6文字まで対応。
２）B列が0、C列が1であれば「3文字目は半角である」ことが分かるので
　該当行のG列に全角の文字数（であると推定される）「2」を入力。
　同様に全角文字の数（推定）をG列に書き込んでいくと700件ほど埋まった。
　原始的にオートフィルタで絞り込んで入力したのでここは関数なし。
３）G列でフィルタをかけ、本当にセルGｎが2のときセルAnが全角2文字＋半角なのか目視で確認。
　やはり（？）途中に記号や英字が入っていてずれている行がいくつかあった。
　ずれのある行のみG列の値を削除。
　同様に推定5文字までを検証。
４）H列を「chn」、I列を「eng」と名づけ（これまた適当）
　セルH2には中国語（全角）の文字列を取り出すため
　=left(a2,g2)
　セルG2には残りの文字列（英語）を取り出すため
　=right(a2,len(a2)-g2)
これで中国語5文字までの中英対照表が一応できる。
実際は同様に15文字まで作業し、残りは手作業で仕分けした。
それでも1000件ちまちま手作業よりは速いだろうと思う。

面白いことを発見した。
支給原稿が紙（又は画像PDF）のとき、たまに透かしや背景画像にぶつかるが
背景画像がOCRに拾われてしまうと該当箇所の文字が読み取れない。
そういうページに限って文字数が多かったりすると捨てるのも忍びない。
読み取りを諦める前に。
ひと手間でかなり救われる場合があるのでメモ。
該当ページの画像ペイントで開き、背景を薄い灰色で塗る。以上。
これだけでモノクロ画像がかなりぼやけるので、
OCRが透かしをただのノイズとして読み捨ててくれるようになる。
今のところ成功率90％。
ほぼ完全に読み取りたい文字が目視できている（テキストにもできている）。