SFAオープンスクールの質問から

昨日、2月28日(土)はサン・フレアアカデミーのオープンスクールでした。

クラスの中でWildLightの使い方に関する質問がありました。これは他の皆さんも利用できる情報ですので、ここにシェアしておきます。

1. 蛍光ペンのついた文字列をワードやエクセルへ抜き出せるか？

WildLight特殊コマンドの「ExtractH2Word」もしくは「ExtractH2Excel」を使います。

例)
ExtractH2Excel

いずれかのコマンドを１行記述した辞書ファイルを準備し、蛍光ペンされたテキストを抜き出したいワード文書へ適用すれば、抜き出せます。

この例を記述した辞書を「WLDIC_抽出_蛍光ペン部をExcelへ抜く.txt」として作成しておきました。ライブラリーからダウンロードしてご利用下さい。

2. ＰＤＦファイルからワードにしたものを整形するには、どうしたらいいか？

 この質問については明確な回答ができませんでした。ＰＤＦからワードファイルを起こした場合、使用したアプリケーションや原稿ＰＤＦの中身によって、出る症状が違うからです。

• 私の経験した症状として、以下のようなものがあります。
  1. 全角文字間に全半角スペースが紛れ込んでいる。
  2. 全半角数字の後ろに複数の半角スペースが入っている。
  3. 半角英数字間のスペースに全角スペースが入っている。
  4. 文頭に不要なスペースが入っている。

これらへの対処として、以下のような処理を行っています。

' 全角英文字カタカナ漢字の間に挟まった全半角スペースを除去する
 
 ([ａ-ｚＡ-Ｚァ-ヾ一-鶴ぁ-ゞ])[ 　]{1,}([ａ-ｚＡ-Ｚァ-ヾ一-鶴ぁ-ゞ])　　　　　\1\2

' 全半角数字の後のスペースを半角スペース１つにする

 ([0-9０-９])[ 　]{2,}　　　　　\1

' 半角英数字間のスペースを半角スペース１つにする

 ([\!-~])[ 　]{1,}([\!-~])　　　　　\1 \2

' 文頭の不要なスペースを削除する

 ^13[ 　]{1,}　　　　　^p

上記４例とも、[ ]の中は全角スペース１つと半角スペース１つが入っています。
また、セパレーターはTABです。
これらが記述された辞書は、「WLDIC_編集_日本語：ＰＤＦ抽出文書の成形.txt」として提供しています。

3. エクセルやパワーポイントファイルからテキスト抽出するには、どうしたらいいか？

Microsoft Office Personal以外(Excel, PowerPointが入っているもの)をお使いの方は、WildLight Users Group でのみ配布されている Full バージョンを使えば、エクセルやパワーポイントからテキスト抽出する機能を利用できます。

4. 全角文字の間にまぎれた半角スペースを除去する方法は？

全角文字の間に半角スペースが入っているケースは、ＰＤＦファイルからワードへ変換した時に良く見かけるので、質問２への対処の１つとしても有効だと思います。

全角文字をワイルドカードで表現すると以下のようになります。

 、-鶴

そして、全角文字に挟まれる半角スペースを検出して削除するには、辞書に次のように記述します。

 ([、-鶴])[ ]([、-鶴])                  \1\2

[ ]の間には半角スペースを入れます。
([、-鶴]) ([、-鶴])と\1\2の間はセパレーターのTABです。

この辞書を「WLDIC_変換_全角文字間の半角スペースを除去.txt」として作成しておきました。ライブラリーからダウンロードしてご利用下さい。