[发明专利]一种处理PDF文件的方法及装置

说明书

技术领域

本发明涉及文件处理技术领域，特别是指一种处理PDF文件的方法及装置。

背景技术

PDF全称PortableDocumentFormat，即“便携文档格式”，是一种电子文档格式。这种格式与操作平台无关，跨平台特点突出，可在几乎所有的平台上使用。这一特性使它成为在Internet上进行电子文档发行和数字化信息传播的首选文档格式。越来越多的图书文献资料首选PDF作为其电子发布的形式，如电子图书、产品说明、公司公告、网络资料、电子邮件等。PDF格式已成为用于将信息数字化的一个事实上的工业标准。

PDF格式有其鲜明的技术特色，如跨平台性优越；可集成多种媒体信息出版和发布，可集成超文本链接、声音及动态影像等电子信息；提供了对网络信息发布的支持。其中，在PDF的可信可靠，维护信息完整性与一致性及保持信息安全性上，最为使用者所称道的则是其安全性，数字签名或使用密码保护。而其他格式则很容易地可以修改或编辑。

PDF的安全性首先保证了PDF文档不能被编辑，至少不能被轻易修改；其次可通过设置权限，限制用户的内容打印、内容复制甚至是评论或批注的添加、修改或删除。

PDF文档只供阅读，不能被修改，确保了内容的完整性与其他特性。

PDF格式设计的初衷不是用来编辑的，对PDF文件内的小部分变动可能问题不大，但对PDF文档中的整块文字或影像的修改就相当困难。即便使用市场上的有关工具，也无法避开这类限制。

在使用PDF文档的过程中，经常不可避免地要对PDF文档中的文字进行抽取或复制。

在对PDF格式的文档进行内容抽取时，或对PDF格式的文档进行拷贝粘贴时，几乎不可避免的出现样的现象：看来明明是一段完整的文字段落，但抽取出来时，被抽取的内容被划分成了多个块；选中段落，拷贝，粘贴出来时，同样的问题，完整的一段文字被分成了若干部分，并非期望的整体。行不再是完整的行，而段也不再是正常的段。

这种拷贝出的或抽取出的段落，被分为了若干部分，显得支离破碎，破坏了原逻辑关系，甚至一句完整的语句都不存在，破坏了原段落的组织结构，导致了使用者不知其所云，不明白原段落表达的内容。

对原段落组织结构的破坏，一方面使使用者不知段落所表达的内容，失去了段落原本承载的语用功能，使用户不能清楚地理解原段落要表达的意思；另一方面，为后续的加工处理造成了不少的障碍，人为的调整，难免不会不出现与原段落不符的情况。

发明内容

本发明要解决的技术问题是提供一种处理PDF文件的方法及装置，解决现有技术中在PDF文件处理过程中段落不能够被完整抽取出来的问题。

为了解决上述技术问题，本发明实施例提供一种处理PDF文件的方法，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。

其中，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。

其中，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。

其中，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。

其中，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。

本发明还提供了一种处理PDF文件的装置，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。

其中，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；