PDFを全文検索するプログラム

質問

Acrobatの提供するJavascriptオブジェクトやAPIを使用して、PDFを対象とした
全文検索ツールを作りたいのですが、書籍等も少なく、なかなか有効な情報に
出会えません。どなたか実際にそのような開発に携わったことがあれば、
その手法に関する情報をご提供頂けないでしょうか？
なお、市販のPDF全文検索ソフトもいろいろあるのですが、ライセンス
フリーなものが今回必要となり、自作を検討しております。
用途はPDFをCD-Rに焼き、そのCD-R内にCD-R内全文検索プログラムを
組み込むというものです。
よろしくお願い致します。

回答No.2

imogasi · ベストアンサー

私は経験も知識も無いものですが、
Ａ．ＰＤＦファイルを直接読んで検索する。
Ｂ．人間が操作して、下記ＲＴＦファイルまたはテキストファイルに抽出して、検索する。の２つが考えられると思います。
お手許にＰＤＦファイルのファイルフォーマットは既にあるのでしょうか。
その後Ａｄｏｂｅ社にこの形式のファイルを読み検索するアプリを作成する（その後貴社でソフトを販売するのですか？それを明確に伝えて）のに認諾や契約や有償が必要なのか確認されましたか。
（１）AcrobatファイルはＲＴＦ形式にテキスト部分のみ落とせるとのことです。
http://www.keiyu.com/doc/pdftxt.htm
http://search.luky.org/linux-users.8/msg00983.html
http://www.pdf-seek.com/jyouhou/index.html
http://pc-training.hp.infoseek.co.jp/pdf.html
http://www.y-adagio.com/public/standards/tr_pdf/pdfmain.htm
（この中に「著作権認諾」のことも載っている。）
相当調べられたふうですが、「ＰＤＦ」「テキスト」「ファイル形式」「ファイルフォーマット」などでＷＥＢ検索してみてください。
（２）この落としたファイルを対象に、自作の検索プログラムを作り、走らせる。
（３）（１）はAcrobatの「操作」ですから、その通り操作でやると
オフラインバッチ処理的になり、１ステップ入ってしまいます。
それで良いのでしょうか。もし操作を自動的にするマクロのようなものが
あればＡと近くなり、良いのでしょうが。
（３）バッチ的になって良いなら、（１）を操作でさせて、ＲＴＦファイルを読みこみ、扱う方法を習得すれば、検索プログラムが出来ると思います。
検索は「JavascriptオブジェクトやAPI」にそのものズバリはあるはずは
無いと思います。WINやＪＡＶＡやその他で検索エンジンまでＡＰＩになっている例があるのでしょうか。
すなわち言いたいことは、ＲＴＦの形式のフォーマット詳細を調べるとかして勉強し、処理言語を決めて扱える事ができるようになることがターゲットでしょう。
（４）あと文章検索について色々なアルゴリズムがあるようですので、それを調べて勉強し、その処理言語で使用できるようになることでしょう。クラスモジュールのようなものが販売されておれば、使えると早いでしょうが。
経験のないものがあれこれいっておりますが、目指し進む方向がちょっと
気になりましたので。得るものがあれば幸甚です。

お礼

返答が遅れまして、申し訳ございませんでした。
色々と調べて頂き、ご助言頂きまして大変恐縮です。
その後調査を致しましたところ、http://partners.adobe.com/asn/developer/acrosdk/main.html
のDevelopment Kitにて、VC用のヘッダーファイルや、Javascript
オブジェクトを使用したVBのサンプルコードが公開されていました。
まだ深くは解読していませんが、そこで使用されているオブジェクト
＆メッソドを使用すれば、テキストベースに変換したりだとかいう
ステップは省略できそうです。
ただ、Acrobat Readerのプラグインツールとして開発するのであれば
Adobe社の開発キット等を購入する必要があるようです。

また、Adobe社へ問い合わせ致しましたところ、
「PDFのテキスト情報を検索する」
というアプリケーションを開発するにあたっては、特に許諾などは
必要ないということです。
意外とPDFの需要は伸びてきているようなので、そういったPDFを対象とした
開発に関するKnowHow資料も、書籍などでもっと欲しいところですね。

いろいろアドバイス頂き、誠に有難うございました。

回答No.1

Spur

自分でプログラムを作るということでしょうか？
それなら、Adobe社と契約が必要になりますし、契約すればモジュールとマニュアルを供給してもらえますよ。
私の会社はそれで作りました。

お礼

早速のご返信ありがとうございます。
Adobe社との契約が必要なのですか。
やはりAdobe社からの情報無しでは難しいのでしょうか？
PDFからテキスト情報を取得するAPIでも分かれば
VBやVCあたりでできそうな気もするのですが・・・
ありがとうございます。検討してみます。