[发明专利]一种PDF文档识别方法

权利要求书

1.一种PDF文档识别方法，其特征在于，包括以下步骤：

S1：解析PDF文档中的路径对象，识别PDF文档中的表格；

S2：解析PDF文档中表格区域以外的文本对象，识别PDF文档中的文字内容；

S3：将识别结果写入临时文件，或将其以附件的形式写入PDF文件。

2.根据权利要求1所述的一种PDF文档识别方法，其特征在于，所述步骤S1中包括：

S11：提取水平方向和竖直方向的线条路径对象，将所提取到的线条总和识别为一个表格；

S12：找出所提取到的线条端点在水平方向坐标和竖直方向坐标的最大值和最小值，通过这四个值确定表格的矩形区域；

S13：解析位于表格的矩形区域内的其他对象。

3.根据权利要求1所述的一种PDF文档识别方法，其特征在于，所述步骤S2中包括：

S21：找出文档中文本对象与页面左边距离的最小值x_Lmin；

S22：找出起始字符与页面左边间距为x_Lmin+段落缩进的行，定义为段落起始行；将自每个段落起始行起，至下一个段落起始行之间的内容解析为一个段落。

4.根据权利要求3所述的一种PDF文档识别方法，其特征在于，若段落只有一行，且该行中的所有字符属性与其他段落中的字符属性不同，则将该行解析为一个段落标题。

5.根据权利要求3所述的一种PDF文档识别方法，其特征在于，还包括以下步骤：

S31：根据段落的识别结果，将每段文本的第一个文本对象的首字符提取出来；

S32：比较提取出来的首字符，将所有符合列表特点的首字符所在的段落视为一个列表；其中所述列表特点包括：连续几个段落的首字符为相同的非文字类符号，或者为顺序排列的编号。