[发明专利]一种按涉及借壳上市主题的PDF文件切割方法

说明书

技术领域

本发明属于大数据研究方面的非结构化数据的数据结构化处理领域，涉及一种按涉及借壳上市主题的PDF文件切割方法。

背景技术

将非结构化数据包括以WORD、EXCEL、PDF、TXT、音频、视频格式存储的文件转换为用户友好、较为便宜的、且可直接用于统计分析的结构化数据如以SQL或ORCAL等数据库格式存储的结构化数据是目前大数据应用领域较为迫切的需求和研究的难点。

当前针对篇幅较短且以PDF格式存储的文件数据结构化方法已经存在一些成果，其主要思路为首先将PDF文件这一完全非结构化的数据转换为以XML或者WORD格式存储的半结构化数据文件，通过正则条件最终转换为以SQL或ORCAL等数据库格式存储的结构化数据；而这种思路方法均存在当所处理PDF文件的篇幅和规格较大时，数据结构化转换效率较低、转换错误率较高等不足。

发明内容

本发明的目的在于克服上述现有技术的缺点，提供了一种按涉及借壳上市主题的PDF文件切割方法，该方法能够高效、精准的实现涉及借壳上市主题的PDF文件切割。

为达到上述目的，本发明所述的按涉及借壳上市主题的PDF文件切割方法包括以下步骤：

1)通过分布式互联网爬虫技术获取公开的且以PDF格式存储的业务文件；

2)依据业务层需求对步骤1)获取的公开的且以PDF格式存储的业务文件进行涉及借壳上市主题的业务层分析，确定涉及借壳上市主题的PDF文件的语言描述特征、关键字及关键字标题；

3)通过涉及借壳上市主题的PDF文件及步骤2)所确定涉及借壳上市主题的PDF文件的语言描述特征逐页对源PDF文件进行关键字及关键字标题的正则搜索，确定包含关键字及关键字标题的PDF文件的页码信息集合P；

4)采用页码异常去除机制对步骤3)得到的PDF文件页码信息集合P中的异常页码进行去除，得去除后的PDF文件页码信息集合P_final；

5)根据步骤4)所获得的去除后PDF文件页码信息集合P_final对源PDF文件进行关于借壳上市主题的切割，完成涉及借壳上市主题的PDF文件切割。

涉及借壳上市主题的PDF文件的关键字及关键字标题集合记作JKT＝{JKT₁,JKT₂,JKT₃,...,JKT_n}，其中，JKT₁表示收购交易方，JKT₂表示收购交易对方，JKT₃表示收购总股数，JKT₄表示收购总股本，JKT₅表示发行股份，JKT₆表示发行股份及支付现金，JKT₇表示收购，JKT₈表示资产重组，JKT₉表示购买，JKT₁₀表示吸收合并，JKT₁₁表示重大资产置换，JKT₁₂表示参与**的竞拍，JKT₁₃表示与**签署定向增发协议，JKT₁₄表示是否构成借壳上市，JKT₁₅表示交易时间。