[发明专利]一种处理PDF文件的方法及装置

权利要求书

1.一种处理PDF文件的方法，其特征在于，包括：

获取所需页面；

获取所述所需页面中的内容流对象；

解析所述内容流对象得到所需段落。

2.如权利要求1所述的方法，其特征在于，获取所需页面的步骤包括：

抽取PDF文档对象模型；

在所述PDF文档对象模型中查找目录对象；

在所述目录对象中通过第一预设键值查找页面树对象；

在所述页面树对象中查找第二预设键值所对应的对象，得到一个页面数组；

通过所述页面数组中的数据，索引到所需页面。

3.如权利要求1所述的方法，其特征在于，获取所述所需页面中的内容流对象的步骤包括：

处理所述所需页面的内容得到所述所需页面的页面对象；

从所述页面对象中获取第三预设键值对应的所述所需页面的内容流对象。

4.如权利要求1所述的方法，其特征在于，解析所述内容流对象得到所需段落的步骤包括：

从所述内容流对象中获取第四预设键值与第五预设键值之间的内容；

从所述第四预设键值与第五预设键值之间的内容中获取以第六预设键值引导的预设键值对之间的内容项对象；

从所述内容项对象中获取预设括号对包裹的所需段落的内容。

5.如权利要求4所述的方法，其特征在于，解析所述内容流对象得到所需段落的步骤还包括：

若所述预设括号对与所述第六预设键值之间存在预设标记，则将获取的该内容项对应的内容附加到上一个内容项对应的内容中，构成完整的段落。

6.一种处理PDF文件的装置，其特征在于，包括：

第一获取模块，用于获取所需页面；

第二获取模块，用于获取所述所需页面中的内容流对象；

解析模块，用于解析所述内容流对象得到所需段落。

7.如权利要求6所述的装置，其特征在于，所述第一获取模块包括：

抽取子模块，用于抽取PDF文档对象模型；

第一查找子模块，用于在所述PDF文档对象模型中查找目录对象；

第二查找子模块，用于在所述目录对象中通过第一预设键值查找页面树对象；

第三查找子模块，用于在所述页面树对象中查找第二预设键值所对应的对象，得到一个页面数组；

索引子模块，用于通过所述页面数组中的数据，索引到所需页面。

8.如权利要求6所述的装置，其特征在于，所述第二获取模块包括：

处理子模块，用于处理所述所需页面的内容得到所述所需页面的页面对象；

第一获取子模块，用于从所述页面对象中获取第三预设键值对应的所述所需页面的内容流对象。

9.如权利要求6所述的装置，其特征在于，所述解析模块包括：

第二获取子模块，用于从所述内容流对象中获取第四预设键值与第五预设键值之间的内容；

第三获取子模块，用于从所述第四预设键值与第五预设键值之间的内容中获取以第六预设键值引导的预设键值对之间的内容项对象；

第四获取子模块，用于从所述内容项对象中获取预设括号对包裹的所需段落的内容。

10.如权利要求9所述的装置，其特征在于，所述解析模块还包括：

附加子模块，用于若所述预设括号对与所述第六预设键值之间存在预设标记，则将获取的该内容项对应的内容附加到上一个内容项对应的内容中，构成完整的段落。