私が歌川です

@utgwkk が書いている

Tシャツ事情

  • YAPCなどのイベントでもらったTシャツ
  • インターネットで買ったTシャツ
  • その他各所でもらったTシャツ

をずっと着回している． もう2年ぐらい服屋に行った記憶がなくて，気がついたらTシャツだけどんどん増えている．

おすすめのインターネットTシャツを紹介します

いっぱい買うと送料無料になることがあるのでいっぱい買うとお得．

https://suzuri.jp/moko_oxygen/528905/t-shirt/s/blacksuzuri.jp

https://shapoco.booth.pm/items/741247shapoco.booth.pm

minne.com

www.ttrinity.jp

COMIC ZIN 通信販売/商品詳細 一人月Tシャツ【Lサイズ】

スライドPDFの1ページ目から発表タイトルを自動的に抜き出したい

技術

tl;dr

  • pdftotext を使えばできる
  • じぶんのスライドのbounding boxに着目すればだいたいうまくいく

動機

pdftotext は，PDFファイルからテキストの情報を抜き出すことができるコマンドである． これは単にテキストを抽出するだけでなく， -bbox-layout オプションを渡すことでbounding boxの詳細な情報も含めてXMLとして吐いてくれるのである． このXMLをうまく使えばPDFファイルから発表タイトルを抜き出せるのではなかろうか． 今回は自分のスライドについて考えることにした．

考察

たとえば，このスライドを pdftotext にかけた結果は次のようになる．

gyazo.com

<!DOCTYPE html PUBLIC "-//W3C//DTD XHTML 1.0 Transitional//EN" "http://www.w3.org/TR/xhtml1/DTD/xhtml1-transitional.dtd"><html xmlns="http://www.w3.org/1999/xhtml">
<head>
<title>2018shinkan-pub</title>
<meta name="Creator" content="Keynote"/>
<meta name="Producer" content="Mac OS X 10.13.4 Quartz PDFContext"/>
<meta name="CreationDate" content=""/>
</head>
<body>
<doc>
  <page width="1024.000000" height="768.000000">
    <flow>
      <block xMin="38.000000" yMin="76.200000" xMax="986.978000" yMax="496.200000">
        <line xMin="38.000000" yMin="76.200000" xMax="338.000000" yMax="136.200000">
          <word xMin="38.000000" yMin="76.200000" xMax="338.000000" yMax="136.200000">みなさん，</word>
        </line>
        <line xMin="38.000000" yMin="166.200000" xMax="815.000000" yMax="226.200000">
          <word xMin="38.000000" yMin="166.200000" xMax="815.000000" yMax="226.200000">キーワード検索してますか？</word>
        </line>
        <line xMin="38.000000" yMin="256.200000" xMax="450.200000" yMax="316.200000">
          <word xMin="38.000000" yMin="256.200000" xMax="450.200000" yMax="316.200000">してますよね？</word>
        </line>
        <line xMin="38.000000" yMin="346.200000" xMax="935.600000" yMax="406.200000">
          <word xMin="38.000000" yMin="346.200000" xMax="935.600000" yMax="406.200000">それでは高速なキーワード検索を</word>
        </line>
        <line xMin="38.000000" yMin="436.200000" xMax="986.978000" yMax="496.200000">
          <word xMin="38.000000" yMin="436.200000" xMax="986.978000" yMax="496.200000">支える技術についてお話しします．</word>
        </line>
      </block>
      <block xMin="135.000000" yMin="577.800000" xMax="889.080000" yMax="617.800000">
        <line xMin="135.000000" yMin="577.800000" xMax="889.080000" yMax="617.800000">
          <word xMin="135.000000" yMin="577.800000" xMax="404.440000" yMax="617.800000">2018/04/16</word>
          <word xMin="417.760000" yMin="577.800000" xMax="680.160000" yMax="617.800000">KMC例会講座</word>
          <word xMin="693.480000" yMin="577.800000" xMax="889.080000" yMax="617.800000">@utgwkk</word>
        </line>
      </block>
    </flow>
  </page>
</doc>
</body>
</html>

これを図示するとこうなる．以下，枠線について，赤は <flow> ，青は <block>， 黄色は <line>， 緑色は <word> とする*1．

gyazo.com

この場合については，

  1. 最初の <block> をとる
  2. 各 <line> 内の全ての <word> のtextContentを結合する
  3. それらを結合する

といった手順を踏めばタイトルが復元できそうである．

最近の私のスライドは大体こちらの方式が適用できた． ざっと見た感触だと，めちゃくちゃに凝ったタイトルスライドを作るなどしなければこちらの方法でいけるのではなかろうかと思う．

実装

pdftotext のPythonバインディングを見つける前にsubprocessでゴリッとやってしまった． XMLを読み取るのがなかなか難しいし，可読性のためにもxml.etree.ElementTreeよりももうちょっといいものを使ったほうがいい気がする．

import sys
import subprocess
import xml.etree.ElementTree as ET


filename = sys.argv[1]
cmd = '/usr/bin/pdftotext -bbox-layout -f 1 -l 1 {0} -'.format(filename).split()
result = subprocess.run(cmd, stdout=subprocess.PIPE).stdout.decode('utf-8')

tree = ET.fromstring(result)
page = tree[1][0][0]
first_block = page[0][0]

titles = []
for line in first_block:
    words = []
    for word in line:
        words.append(word.text)
    titles.append(' '.join(words))
title = ''.join(titles)

print(title)

結果

https://sugarheart.utgw.net/static/pdf/ にあるPDFだと1つを除いてうまくタイトルを取得することができた． Googleスライドのテーマを使ったものについてもうまくいった．

うまくいかなかったのは次のスライド．

gyazo.com

これを pdftotext にかけると，複数の <flow> が出てくる．

gyazo.com

この場合は最初の<flow> がタイトルだろうという判断がすぐできるのでスクリプトを改変して対応した． 自分のスライドのテーマやレイアウトの傾向をだいたい決めておけば，それに対応するスクリプトをすぐに用意できそう．

今後の課題

  • いろいろな種類のスライドに対応してると便利？？
    • じぶん用だとあまり困ってない
    • 大量のif文で捌く？？？
  • pdftotext のPythonバインディングないのかな

*1: <line>や<word>については，今回必要となるところしか図示していない．

魔王魂の歌もの素材

バーチャルYoutuber鑑賞活動をしていると応援ソングのことを知ることがあり，魔王魂のフリーBGM素材であることを知った． 2018年になって魔王魂の名前を目にするとは思っていなかったし，まだ現役なんだなあと思った．

www.youtube.com

魔王魂の歌もの素材はYoutubeで試聴できるので，オススメをいくつか紹介します．

www.youtube.com

www.youtube.com

www.youtube.com

www.youtube.com

www.youtube.com

こちらは応援ソングです．

www.youtube.com

ミッドナイト念仏

4/18の深夜から早朝にかけてミッドナイト念仏というイベントが行われることを，じつは前々から知っていたが今日ようやく行った． サークルのひとびとは深夜に行っていたようだが，わたしは最近ずっと21時を過ぎるとめちゃくちゃ眠たくなる*1ので，5時に起きて6時ぐらいに知恩院に行った．

三門の上に入ってみると，中でたくさんのにんげんが木魚をポクポクと叩いているといった光景が目に飛び込んできた．私も空いているところに座って木魚を叩くことにした．

しばらく叩いていると大きな木魚の音と南無阿弥陀仏が聞こえてきて，それと同時にひとびとが木魚を叩く手を止めた．終わりの合図だろうか．

今日は法然上人の807回忌に来てくれてありがとう，といったことなどをお坊さんに言われたのち，しびれた足をほぐしつつ急勾配の階段を下りた．

閉じた空間で多くのにんげんが木魚を叩きつづける行為はライブのグルーヴ感と似たものがあった． テンポは人それぞれだけれどもだんだんと収束していって，また乱れたり乱れなかったりする． お経を唱えるときの作法というのがあるようで，ある種の演奏活動と似たようなものだろうという解釈をしている． 最後の挨拶もあいまって，そういう視聴者参加型の公演のようなものに来たのだろうか，という気になった．

階段を下りて早々にツイートをいいねする活動を再開した． 煩悩を取り去ったのち直ちに新しい煩悩を取り入れていく．

*1:そしてこのタイミングで就寝すると眠りが深くなる．