[发明专利]一种将PDF格式文件转换为EPUB格式的方法及系统

说明书

技术领域

本发明涉及文档处理技术领域，特别是涉及一种将PDF格式文件转换为EPUB格式的方法及系统。

背景技术

PDF是Portable Document Format(便携文件格式)的缩写，是一种电子文件格式。PDF文件格式以其卓越的特性成为在互联网上进行电子文档发行和格式化信息传播的理想文件格式。当前，在互联网上发布的科技论文大部分以PDF格式提交。但是，因为PDF文件是根据坐标来排版的，而小型设备上很难绝对定位，所以PDF文件在小型设备或者移动设备上不能自适应页面。现有技术中，为了在小型设备或者移动设备上更好地显示PDF文件的内容，通常将PDF格式文件转换为EPUB格式。

EPUB格式是一种电子图书标准，属于一种可以“自动重新编排”的内容；也就是文字内容可以根据阅读设备的特性，以最适于阅读的方式显示。EPUB档案内部使用了XHTML或DTBook(一种由DAISY Consortium提出的XML标准)来展现文字、并以zip压缩格式来包裹档案内容。

现有技术中，将PDF格式文件转换为EPUB格式的方法主要有两种：一种是只提取PDF格式文件中的文本，图片去除。显然该方式存在图片缺失的缺点。另一种方式是对PDF格式文件的每一页进行截图。由于截图时会导致分辨率下降，在小型设备上阅读时，文字更加难以识别。

发明内容

本发明的目的是提供一种将PDF格式文件转换为EPUB格式的方法及系统，使得转换后的EPUB格式文件能够图文并茂，并且转换后的EPUB格式文件中，图像元素与文本元素的相对位置关系与原PDF格式文件相同。

为实现上述目的，本发明提供了如下方案：

一种将PDF格式文件转换为EPUB格式的方法，包括：

识别PDF格式文件中的文本元素、图像元素；

获取所述文本元素的坐标和所述图像元素的坐标；

根据所述文本元素的坐标和所述图像元素的坐标，确定所述文本元素和所述图像元素在新生成的HTML格式文件中的位置，以使新生成的HTML格式文件中的文本元素和图像元素的相对位置关系与PDF格式文件中的文本元素和图像元素的相对位置关系相同；

按照确定的位置，生成HTML格式文件；

根据所述HTML格式文件，生成EPUB格式文件。

优选的，所述根据所述文本元素的坐标和所述图像元素的坐标，确定所述文本元素和所述图像元素在新生成的HTML格式文件中的位置，以使新生成的HTML格式文件中的文本元素和图像元素的相对位置关系与PDF格式文件中的文本元素和图像元素的相对位置关系相同，包括：

根据所述文本元素的坐标和所述图像元素的坐标，将原本位于所述图像元素左边或上方的所述文本元素，定位在所述图像元素上方；将原本位于所述图像元素右边或下方的所述文本元素，定位在所述图像元素下方。

优选的，所述根据所述文本元素的坐标和所述图像元素的坐标，将原本位于所述图像元素左边或上方的所述文本元素，定位在所述图像元素上方；将原本位于所述图像元素右边或下方的所述文本元素，定位在所述图像元素下方，包括：

判断所述文本元素的右下点的纵坐标是否小于所述图像元素的左上点的纵坐标；

如果是，则将所述文本元素定位在所述图像元素的上方；

否则，判断所述文本元素的右下点的横坐标是否小于所述图像元素的左上点的横坐标；

如果是，则将所述文本元素定位在所述图像元素的上方；

否则，将所述文本元素定位在所述图像元素的下方。

优选的，所述根据所述文本元素的坐标和所述图像元素的坐标，将原本位于所述图像元素左边或上方的所述文本元素，定位在所述图像元素上方；将原本位于所述图像元素右边或下方的所述文本元素，定位在所述图像元素下方，包括：

判断所述文本元素的左上点的纵坐标是否大于所述图像元素的右下点的纵坐标；

如果是，则将所述文本元素定位在所述图像元素的下方；

否则，判断所述文本元素的左上点的横坐标是否大于所述图像元素的右下点的横坐标；

如果是，则将所述文本元素定位在所述图像元素的下方；

否则，将所述文本元素定位在所述图像元素的上方。

优选的，所述根据所述HTML格式文件，生成EPUB格式文件，包括：

生成包括container.xml文件以及后缀名为opf、ncx在内的EPUB格式所必须的文件；

将所述HTML格式文件，以及所述EPUB格式所必须的文件，压缩成后缀名为EPUB的压缩包。