intra-mart Accel Platform 2016 Winter(Olga) リリースノート初版 2016-12-01

目次 ≪ 8.5. 標準テーマカスタマイズ 8.7. アップデート関連 ≫

8.6. IM-ContentsSearch for Accel Platform¶

8.6.1. 試用版ライセンスによる最大コンテンツ数の制限があります。¶

試用版ライセンスの状態で登録可能なコンテンツの数は 2 万コンテンツ分までです。

また、コンテンツが作成される単位はコンテンツ情報を登録するアプリケーション毎の仕様により異なります。

IM-ContentsSearch for Accel Platform のライセンスを登録して頂くことで、無制限に登録可能となります。

8.6.2. テキスト抽出に関する制約があります。¶

□ 対応ファイルフォーマット

標準で提供するテキスト抽出クラスを利用してテキストの抽出が可能なファイルフォーマットは下記の通りです。

[テキストを抽出することができるファイルフォーマット一覧]

1. プレーンテキスト text/plain (txt)

2. HTML text/html (htm, html)

3. XML text/xml (xml)

4. PDF application/pdf (pdf)

5. Microsoft Office Word

・application/msword (doc)

・application/vnd.openxmlformats-officedocument.wordprocessingml.document (docx)

6. Microsoft Office PowerPoint

・application/vnd.ms-powerpoint (ppt)

・application/vnd.openxmlformats-officedocument.presentationml.presentation (pptx)

7. Microsoft Office Excel

・application/vnd.ms-excel (xls)

・application/vnd.openxmlformats-officedocument.spreadsheetml.sheet (xlsx)

8. Microsoft Visio application/vnd.ms-visio.viewer (vsd)

9. ZIP アーカイブ application/zip (zip)

10. DocuWorks文書

・application/vnd.fujixerox.docuworks (xdw)

・application/vnd.fujixerox.docuworks.binder (xbd)

□ テキストを抽出する際の制限事項

以下に、それぞれのファイルフォーマットごとの、テキストを抽出する際の制限事項を述べます。

1. プレーンテキスト

API では、プレーンテキストファイル内のテキストの文字コードを統計的手法により、自動的に判別します。

しかし、短いテキストしか含まれていないファイルや、複数の文字コードが混在しているファイル等については、文字コードを正しく判別できないことがあります。この場合、ファイルから抽出されたテキストは、文字化けしたものになり、正しく検索することができません。

2. HTML

API では、HTML 内の以下の部分から、テキストを抽出します。

・HEAD 要素内の、TITLE 要素に含まれるテキスト

・BODY 要素に含まれるテキスト

またAPI では、HTML の文字コードを、まず META タグで指定された content-type を探すことによって判別しようと試み、それに失敗すると、プレーンテキストと同じく、統計的手法により判別を試みます。

文字コードを正しく判別できなかった場合、ファイルから抽出されたテキストは、文字化けしたものになります。

3. XML

API では、XML 内の全てのテキストノードを抽出します。

4. PDF

APIでは、設定ファイル(<CONTENTS_PATH>/WEB-INF/conf/solr-extractor-config.xml)による指定に応じて、以下のいずれかを用いてPDFからテキストを抽出します。

1. PDFBox (http://pdfbox.apache.org/)

2. Xpdf (http://www.foolabs.com/xpdf/) 付属のコマンド”pdftotext”

3. フリーウェア”xdoc2txt” (http://ebstudio.info/home/xdoc2txt.html)

pdftotext や xdoc2txt を使用することでテキスト抽出に対応したPDFの種類が増加します。

pdftotext または xdoc2txtを用いる場合、 intra-mart AccelPlatform が動作しているすべてのマシン上に、Xpdfまたはxdoc2txt.exeがインストールされ、各コマンドが正常に動作する環境が整っている必要があります。

また、xdoc2txt.exeは Microsoft Windows マシン上でしか動作しません。

なお、いずれを用いる場合であっても、パスワードつきで暗号化されたPDFファイル（PDFビューワで開く際に、パスワードを要求されるPDFファイル）からテキストを抽出することはできません。

5. Microsoft Office Word

APIでは、設定ファイルの指定に応じて、以下のいずれかを用いて、Wordファイルからテキストを抽出します。

1. Apache POI (http://poi.apache.org/)

2. xdoc2txt

どちらを使用してもOffice 2003 までのWordファイル(拡張子doc)およびOffice 2007 のWordファイル(拡張子docx)からテキストを抽出することができます。

ただし、xdoc2txt を用いる場合、xdoc2txt.exe がインストールされ、正常に動作する環境が整っている必要があります。

また、xdoc2txt.exe は Microsoft Windows でしか動作しません。

なお、いずれを用いる場合であっても、パスワードで保護されたWordファイルからテキストを抽出することはできません。

6. Microsoft Office PowerPoint

API では、設定ファイルの指定に応じて、以下のいずれかを用いて、PowerPoint ファイルからテキストを抽出します。

1. Apache POI (http://poi.apache.org/)

2. xdoc2txt

どちらを使用しても Office 2003 までの PowerPoint ファイル(拡張子 ppt)および Office 2007 の PowerPoint ファイル(拡張子pptx)からテキストを抽出することができます。

ただし、xdoc2txtを用いる場合、xdoc2txt.exeがインストールされ、正常に動作する環境が整っている必要があります。

また、xdoc2txt.exe は、Microsoft Windows でしか動作しません。

なお、いずれを用いる場合であっても、パスワードで保護されたPowerPointファイルからテキストを抽出することはできません。

7. Microsoft Office Excel

APIでは、設定ファイルの指定に応じて、以下のいずれかを用いて、Excelファイルからテキストを抽出します。

1. Apache POI

2. xdoc2txt

いずれによっても、Office 2003 までの Excel ファイル(拡張子 xls)および Office 2007 の Excel ファイル(拡張子 xlsx)からテキストを抽出することができます。

ただし、xdoc2txt を用いる場合、xdoc2txt.exe がインストールされ、正常に動作する環境が整っている必要があります。

また、xdoc2txt.exeは Microsoft Windows マシン上でしか動作しません。

なお、いずれを用いる場合であっても、パスワードで保護されたExcelファイルからテキストを抽出することはできません。

8. Microsoft Visio

APIでは Apache POI を用いて、Visioファイルからテキストを抽出します。

9. Zip アーカイブ

ZIP アーカイブ内に含まれる各ファイルからテキストを抽出すると同時に、各ファイルの名前自体も抽出したテキストに加えます。

ZIP アーカイブ内のファイルの名前は、Windows-31J（いわゆる Shift_JIS）によりエンコードされ、ZIP に記録されているものとみなされます。

日本語 Windows で作成された ZIP ファイルでは、この仮定はほぼ正しいものです。

もし ZIP アーカイブ内のファイル名が、Windows-31J でエンコードされていない場合、抽出されたテキストに、文字化けが発生します。

ただし、文字化けが発生するのは、ファイル名部分のみであり、ファイルの内容から抽出されたテキストについては影響がありません。

ZIPファイルに、暗号化されたファイルが含まれている場合、ＡＰＩでは、そのファイルの名前のみを、テキストとして抽出します。

なお、暗号化されているかどうかを判別できるのは、ZIP 2.0 互換のアーカイブフォーマットのみです。

Windows が作成する ZIP フォルダは、一般にこのフォーマットと互換性を持っています。

10. DocuWorks文書

APIでは、設定ファイル(<CONTENTS_PATH>/WEB-INF/conf/solr-extractor-config.xml)による指定に応じて、以下のいずれかを用いてDocuWorks文書からテキストを抽出します。

各インストール環境に合わせたアプリケーションのインストールが必要になります。

1. Windows環境に構築する場合

DocuWorks Content Filter (DocuWorks 8 に同梱されています)

2. Linux環境に構築する場合

DocuWorks Content Filter for Linux 7.0

目次 ≪ 8.5. 標準テーマカスタマイズ 8.7. アップデート関連 ≫