表抽出
表抽出(table extraction)とは、文書の中から表を見つけ、その行、列、見出し、セルを、ばらばらのテキストの行ではなく、HTML、Markdown、CSVなどの構造化データとして再構築するタスクです。
別名: table structure recognition, table detection
執筆 Divya Sharma · 2026年11月15日確認 · レビューの方法
価格、仕様、財務結果、テストデータは、たいてい表の中にあります。単純なテキスト抽出ツールは表を平らにして、見出しとのつながりのない数字の羅列にしてしまうため、「第3四半期の売上は?」と聞かれたモデルは、どの数字がどの列のものか判別できません。表抽出はその構造を保つため、文書解析の中でも難しく価値の高い部分の1つです。
仕組み
タスクは通常3つに分けられます。表の検出は、ページ上のどこに表があるかを見つけるもので、多くの場合レイアウト解析の一部です。構造の認識は、各表の中の行、列、結合されたセルを見つけます。機能の分析は、どのセルが見出しかを特定します。学習データは重要です。科学論文から集めた100万近い表のデータセットPubTables-1Mは、それで学習したTransformerベースの物体検出モデルが3つのタスクすべてをうまく処理することを示しました。セルのテキストは、PDFのテキストレイヤーかOCRから取得します。
例
ある年次報告書に、見出しが2行にまたがり、最初の列が明細項目を地域ごとにまとめている表があります。良い抽出では、結合された見出しのセルと地域 のグループをそのまま保ったHTMLの表を出力するため、各数字をその行と列までたどれます。その出力は丸ごと保存できるため、チャンキングで表が複数のチャンクに分かれることもありません。
限界
罫線のない表、複数のページにまたがる表、入れ子の表、表のように見えるグラフは、依然としてよくある失敗例です。抽出した数字は、報告書に使う前に元の文書と照合してください。
関連用語
- 文書解析
- 文書解析(document parsing)とは、PDF、スキャン画像、スライド、スプレッドシートなどのファイルを、ソフトウェアで使える構造化されたテキストに変換することです。単なる文字の羅列ではなく、見出し、読む順序、表、画像を保ちます。
- レイアウト解析
- レイアウト解析(layout analysis)とは文書解析の一部で、タイトル、段落、表、図、キャプション、フッターなど、ページ上の領域を見つけてそれぞれにラベルを付け、人が読む順序を割り出す処理です。
- 光学文字認識(OCR)
- 光学文字認識(OCR)とは、スキャンしたページ、写真、スクリーンショットなどの画像からテキストを読み取り、検索、コピー、モデルへの入力ができる機械可読の文字に変換するソフトウェアです。
- チャンキング
- チャンキング(chunking)とは、長い文書を埋め込みとインデックス化の前に小さな文章のまとまりに分割する手順です。検索システムは、文書のうちクエリに答える部分だけを見つけて返せるようになります。
- Structured output(構造化出力)
- Structured output(構造化出力)とは、言語モデルの応答を、通常はJSONスキーマなど自分で定義した形式に従わせるAPIの機能です。自由なテキストから抜き出す代わりに、コードで確実に解析できます。