[发明专利]结合OCR技术的PDF文字提取方法

说明书

技术领域

本发明涉及模式识别技术领域，特别涉及在PDF文件中提取文字的方 法。

背景技术

PDF是Portable Document Format的缩写，是由Adobe公司开发的一 种开放式的电子文件格式。PDF由PostScript编程语言发展而来，而 PostScript当前依然作为主流的打印机编程语言广泛应用于专业出版领域。 PDF大量延续了PostScript中的页面描述方式，采用了PostScript中定义的 字符编码方式。

PDF文件格式的优点在于，文件格式与软硬件以及操作系统平台无关， 无论在Windows、Unix还是在苹果公司的Mac OS操作系统中都可以无障 碍的使用，并且可以达到相同的显示效果。这一特点使得PDF成为Internet 上主要的电子文档格式，在数字化信息传播中充当着重要角色。

PDF文件格式产生的初衷即在于精确的描绘页面，满足电子出版领域 高质量的要求。而将文件内容编辑的需要置于较为次要的位置。因此，在 实际应用中时常出现PDF文件“只能看不能改”的现象。

PDF文字提取方法即是提取出PDF文件中包含的文字信息，并通过系 列的信息处理过程，转换为便于编辑的文件格式。

目前对PDF的文字提取存在两种方法，一种是利用OCR识别技术，将 PDF转换成图像，经过版面分析，行字切分、文字识别，将结果输出，此 方法在上述各个步骤中都需要做智能分析，都可能引入错误，存在识别率 不够高的问题；另一种方法是利用PDF文件进行解析，提取文字信息，直 接将结果输出，但是，在PDF文件中，允许编码和显示的字符不完全对应， 这样，导致该方法无法通过提取所有字符的计算机内码来提取字符。为了 内容提取的需要，PDF格式规范定义了部分字体的编码到Unicode编码的 映射，但仍然有部分PDF字体无法实现由字体编码到Unicode编码的映射。 所以也不理想。

发明内容

本发明的目的在于提供一种结合OCR技术的PDF文字提取方法，以克 服现有技术缺陷，提高PDF文字提取的准确性并解决部分PDF文件字符内 容无法提取的问题。

为实现上述目的，本发明提供了一种结合OCR技术的PDF文字提取方 法，该方法包括以下步骤：

(1)PDF数据提取：提取PDF文件中字符的第一编码、点阵图像数据、 位置、字体和字号；

(2)结合OCR技术确认字符内容：基于字符的点阵图像数据进行字符 的OCR识别，获得识别结果以及识别可信度，根据识别结果、识别可信度 与步骤(1)中提取到的字符的第一编码，得到字符第二编码；

(3)对可靠的字符编码进行处理：对字符的第二编码进行排序以及聚类 操作，并根据需要进行版面重构；

(4)根据字符的位置、字体和字号，导出经过步骤(3)处理的字符的 第二编码。

优选地，步骤(1)中PDF数据提取包括以下步骤：

(11)提取PDF页面描述指令：解析PDF文件结构并进行数据解码，根 据页号获取相应页面的页面描述指令；

(12)分析页面描述指令：将页面描述指令中对文字的描述分解为对单 个字符的描述，并提取单个字符的第一编码、位置、字体和字号；

(13)按照设定的图像分辨率，将提取的字符的第一编码转换为字符的 点阵图像数据；

(14)如果页面描述指令中还有其他的待处理字符，则重复以上(12)、(13) 步骤。

优选地，步骤(2)中结合OCR技术确认字符内容包括以下步骤：

(21)用OCR技术识别字符的点阵图像数据，得到识别结果和识别可信 度；

(22)将步骤(12)中得到的字符的第一编码与识别结果进行比对；

如果一致，将字符的第一编码视为字符的第二编码；

如果不一致，则判断识别可信度是否高于预先设定的阈值，识别可信 度高于预先设定的阈值则采用OCR识别结果作为字符的第二编码。

优选地，步骤(3)中进行有效的排序是根据所述的字符的位置进行排序 输出。

优选地，步骤(3)中进行聚类操作是根据所述的字符的位置、字体和字 号，计算字符输出时所处的行、列和段落，使得解析或识别前位于同一块 或同一段落的字符，在输出时依然保留原有的相对位置。