[发明专利]去除从双层电子文件中复制的文本中的空格的方法与系统

说明书

技术领域

本发明涉及一种去除从双层电子文件中复制的文本中的空格 的方法与系统。

背景技术

可移植文档格式(Portable Document Format，PDF)的双层电 子文件例如书籍、文件，是有图像层与文字层的PDF文件，图像层 上显示原书例如纸书的版面，上面每一个字实际上是一个字形图 像；文字层在图像层下面，并不显示出来，文字层中包含文件的电 子版文本，通常是使用光学字符识别(Optical Character Recognition， OCR)的方式获得。文字层的文本与图像层的字形图像按字对位， 通常字符的左侧为对位基准侧。

由于Acrobat或者Adobe reader在处理文本复制功能时，字符 之间的间隔并不是按照一行中是否真实存在空格符来生成复制的 数据，而是根据字符的坐标确定字符间距，按照该间距判断字符间 是否“需要”空格；即如果两个字在同一行，并且按照Acorbat的 判断准则，这两个字之间的水平位置距离较远，这个时候选中本行 文本，复制到剪贴板，查看剪贴板的文本，则在水平位置较远的相 邻两个字符之间多出了原文没有的空格。这个空格就是由Acrobat 或者Adobe reader根据文字位置插入的多余空格。

在插入了多余空格的情况下，字符组成的文本会失去原有的文 字意义。图1是根据现有技术的从双层电子文件中复制的文本中存 在多余空格以及该文本的原始状态的示意图。如图1所示，文本区 域11的文本中包含若干单词，在插入了多余空格的情况下成为文 本区域12所示的一个个离散的字母，这样会给使用者带来很多不 便，例如影响阅读；又如无法利用计算机检索其中的单词。

现有技术中，从双层电子文件中复制的文本中存在多余空格， 对于该问题，目前尚未提出有效解决方案。

发明内容

本发明的主要目的是提供一种去除从双层电子文件中复制的 文本中的空格的方法与系统，用以解决现有技术中从双层电子文件 中复制的文本中存在多余空格的问题。

为解决上述问题，根据本发明的一个方面，提供了一种去除从 双层电子文件中复制的文本中的空格的方法。

本发明的去除从双层电子文件中复制的文本中的空格的方法 包括：从双层电子文件中复制相邻的两个字符，然后判断所述两个 字符是否为空格符；在所述相邻的两个字符都不是空格符的情况 下，检查复制得到的所述两个字符之间是否存在空格，若存在空格， 则将所述双层电子文件文字层的所述两个字符中的至少一个字符 向另一字符的方向拉伸。

进一步地，从双层电子文件中复制相邻的两个字符之前还包 括：从所述双层电子文件的当前页中复制文本块；在所述文本块中 的非空格符的字符一侧或两侧出现空格的情况下，在输出的所述文 本块中标示出该空格。

进一步地，从双层电子文件中复制相邻的两个字符包括：根据 所述双层电子文件的内核数据确定针对相邻两个字符的选择区域； 从所述确定的选择区域中复制字符。

进一步地，将所述两个字符中的至少一个字符向另一字符的方 向拉伸之后还包括：判断所述两个字符之间是否存在空格，若存在 则在输出的这两个字符之间标示出该空格。

进一步地，在输出的这两个字符之间标示出该空格之后，所述 方法还包括：将拉伸后的字符再次进行已执行的拉伸的操作。

进一步地，所述双层电子文件的图像层与文字层的对位基准侧 是字符第一侧；将所述双层电子文件文字层的所述两个字符中的至 少一个字符向另一字符的方向拉伸包括：将所述双层电子文件文字 层的所述两个字符中的第一侧字符向第二侧拉伸。

进一步地，在所述相邻的两个字符中的至少一个为空格符的情 况下，重复执行从双层电子文件中复制相邻的两个字符及其后的步 骤，并且对当前版面中的同一位置的两个字符不重复进行复制。

进一步地，所述双层电子文件为可移植文档格式(Portable  Document Format)的文件。

为解决上述问题，根据本发明的另一方面，提供了一种去除从 双层电子文件中复制的文本中的空格的系统。