『Antenna House AHPDFXML 変換ライブラリ』のご紹介

『Antenna House AHPDFXML 変換ライブラリ』は、PDFファイルの内部データを、
XML（Extensible Markup Language：拡張可能なマークアップ言語）形式に変換するプログラムです。
このライブラリが出力するXML形式を「AHPDFXML形式」と呼びます。
PDF解析技術により文書構造を生成して、再利用に適したXMLデータを出力します。

今回は”AHPDFXML形式”として出力される文書構造について書いてみたいと思います。

セクション要素
セクション要素の属性は、矩形情報、段組み情報、縦書き/横書き情報です。
セクション要素は、フレーム要素を含みます。
段組み数は、テキストフレーム要素の配置から判断します。
フレーム要素
フレーム要素の属性は、フレーム種別、矩形範囲、ファイルIDです。
フレーム種別には、テキスト、表、画像、テキストボックスがあります。
テキストフレームは段落要素を含みます。
画像フレームには、カタログファイルに定義されたファイルのIDが指定されています。
段落要素
段落要素の属性は矩形範囲、段落スタイルIDです。
段落スタイルには、先頭行インデント、左インデント、右インデントの情報があります。
段落要素は、行要素を含みます。
包含する行要素の開始位置、終了位置から、段落要素を生成しています。
行要素
行要素の属性は矩形範囲です。
行要素はテキスト要素を含みます。
包含するテキスト要素からベースラインを判断して、テキスト行を生成しています。
テキスト要素
テキスト要素の属性は、矩形範囲と文字スタイルIDです。
文字スタイルには、文字の大きさ、文字の色、文字のフォント、文字修飾（bold/italic、網かけ）の情報があります。
表要素
表要素の属性は、矩形情報です。
表要素は、表の行要素を含みます。
表の行要素
表の行要素の属性は、矩形情報です。
表の行要素は、セル要素を含みます。
セル要素
セル要素の属性は、矩形情報とスタイルIDです。
セル要素は、段落要素を含みます。
PDF中の線画情報から、水平/垂直の線分を抜き出して、セルを生成しています。