今回はPDFからのデータ取得の可否について、またその取得方法について紹介します。
PDF上の文字には、カーソルで選択できるものと画像となっているものがあります。
１．PDFの文字が画像のもの
残念ながら画像となっているものは、WinActorではテキストデータとして抽出できません。
💡WinActorVer.6.3.0でWinActorEyeが登場し、Microsoft OCRが利用できますが、文字の抽出精度、文字の位置に関する矩形情報の精度などはMicrosoft OCRに依存するため、WinActorEyeとして動作保証はされていません。WinActorEye内でサンプルとして提供されています。
お手元にOCRソフトがあれば、そちらでテキストデータを抽出してからWinActorをご利用いただくことになります。
２．PDFの文字がカーソルで選択できるもの
一方、カーソルで選択できるものについては下記の方法等で対応が可能です。PDFからテキスト情報を取得後、必要部分のみを抽出して利用します。
正しくデータが取得できないなど動作が安定しない可能性がありますので、十分な検証のもとご利用ください。
PDFからテキストデータ取得を取得する
Step1 テキストデータを取得する
【方法１】ショートカットキー(Ctrl+C)でコピーしてクリップボードに取り込む
Ａ．｢エミュレーション｣を利用する方法
≪手段①≫A座標からB座標まで(固定位置)ドラッグ、Ctrl+C(コピー)する
≪手段②≫Ctrl+A(全選択)⇒Ctrl+C(コピー)する
Ｂ．｢画像マッチング｣と｢エミュレーション｣を組み合わせて利用する方法
事前にマッチング用の画像を取得しておきます。
≪手段①≫画像の照合後、マウストリプルクリック⇒Ctrl+C(コピー)する
≪手段②≫画像の照合後、マウスドラッグ⇒Ctrl+C(コピー)する
【方法２】外部ツールを利用してテキストファイルに出力する(公式サンプルシナリオ利用)
Apache PDFBox(Javaライブラリ)を利用してテキストデータを取得する方法です。
｢コマンド実行｣でPDFBoxを実行し、テキストファイルを出力します。
※予めPCへJavaをインストールしていただく必要があります。
(Ver.5または6ご利用の方は、WinActor同梱のjava.exeをご利用いただくことも可能です。)
💡コマンドプロンプト上で下記のようにコマンドを書き、PDFBoxを実行するとテキストファイルが出力されます。これをWinActorで実行します。
java -jar [PDFBoxパス] ExtractText [PDFファイルパス] [出力テキストファイルパス]※WinActorの公式サイトにサンプルシナリオがありますので、ご利用ください。
💡サンプルシナリオの取得方法
｢WinActorを使う｣➡｢サンプルシナリオ｣➡｢PDFから外部ツールで文字列情報を取得し、WinActorノートへ貼り付けを実行するサンプルシナリオ｣を選択しダウンロードします。
Step2 取得したテキストデータから必要な部分のみを抽出する
【方法１】｢WinActorノート｣を利用し、必要部分を取得する(WinActorVer.6をご利用の方)
💡｢ライブラリ｣➡｢25_WinActorノート｣内のノードを利用します。
WinActorノートの使用法方法は、WinActorに付属の
・01_WinActorノート_操作マニュアル.pdf
・02_WinActorノート_テキスト処理シナリオ作成マニュアル.pdf
をご覧ください。
【方法２】取得したデータをExcelファイルに貼り付け、必要部分を取得する
主に｢ライブラリ｣➡｢18_Excel関連｣内のノードを利用します。
【方法３】テキストファイルを操作して、必要部分を取得する
主に
・｢ライブラリ｣➡｢13_ファイル関連｣➡｢01_テキストファイル操作｣
・｢ライブラリ｣➡｢07_文字列操作｣
を利用します。
【方法４】クリップボードのデータを変数に取り込み、必要部分を取得する
｢ノード｣➡｢アクション｣➡｢クリップボード｣を利用します。
今回はPDFファイルからテキストデータを抽出する操作方法について紹介しました。ぜひ使ってみてくださいね。
また次回をお楽しみに！
▼こちらもおすすめ
