[发明专利]一种PDF文档识别方法

说明书

技术领域

本发明涉及PDF文档编辑技术领域，特别涉及一种识别PDF文档中表格、段落、标题及列表的方法。

背景技术

PDF文档自带书签功能，当用户阅读PDF文档至某一页时，可在该页处添加书签，以便下次阅读时直接点击该书签便可跳到该页，而不必再从头查找，为用户的阅读提供了一定的便利条件。然而，目前的现有技术中，添加书签时只能定位不同的页面，却不能标记同一页面中阅读到的不同位置，因此只能在跳到书签页面之后，从该页面的第一行开始阅读查找。这对于有视觉障碍人群来说仍然是一件耗时耗力的事。因此，如何提供一种方法，不仅可以识别不同的页面，还可以识别同一页面中的不同内容，以便在添加书签时直接定位于页面中的特定位置处，实为本领域技术人员亟待解决的问题。

发明内容

本发明的目的在于解决现有技术中存在的上述缺陷，提供一种可以识别不同组成部分的PDF文档识别方法。

为达上述目的，本发明提供一种PDF文档识别方法，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。

根据本发明提供的一种PDF文档识别方法，其中，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。

根据本发明提供的一种PDF文档识别方法，其中，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。

根据本发明提供的一种PDF文档识别方法，其中，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。

根据本发明提供的一种PDF文档识别方法，其中，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。

与现有技术相比，本发明的有益效果在于：

本发明提出的PDF文档识别方法可以识别PDF文档中的表格、段落、标题及列表等对象，从而可以一段落为单位对PDF文档进行编辑，并能够方便地给PDF加标签,确定阅读顺序,方便视觉障碍人群阅读；同时，还可以根据识别结果,导出其他格式文档，极大方便了用户进行阅读和编辑PDF文档。

具体实施方式

以下对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明提出的一种PDF文档识别方法，主要用来识别PDF文档中的表格、段落、标题以及列表。其依据就是文档中不同的内容具有不同的特点，比如，每个段落的段首会有两字符缩进量；段落标题与上下文之间的行距及字号、字体均会有所不同；表格通常包含元素表头、列标题、行标题、表尾、单元格、边框，且表格中一定包含多个行高或列高相同的单元格；列表则一般包含前缀特殊符号或编号,即除文字内容之外还会多余一个项目。根据以上特征，本发明通过一系列技术手段提出了PDF文档的识别方法，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。