[发明专利]一种文本处理方法、装置及计算机可读存储介质

说明书

本发明实施例公开了一种文本处理方法、装置及存储介质，包括：服务器按行获取待处理文本的内容；当待处理文本中存在以非结束符号结尾的行，将以非结束符号结尾的行与该行的下一行合并在同一个段落中；其中，非结束符号是表示语句未结束的符号。从本发明实施例提供的技术方案可见，当服务器确定存在以非结束符号结尾的行时，将该行的下一行与该行合并为了一个段落，从而实现了文本中原本属于同一段落但却分散在不同行显示的内容的段落合并，保证了后续基于段落的文本处理任务的顺利进行。

技术领域

本发明实施例涉及计算机技术领域，尤其涉及一种文本处理方法、装置及计算机可读存储介质。

背景技术

在实际应用中，往往存在从根据文本生成的图片中反向获取可编辑文本的需求，针对该需求，相关技术通常采用光学字符识别(Optical Character Recognition，OCR)的技术手段进行可编辑文本的获取。

然而，由于文本中属于同一段落的内容中可能存在多余的换行符号，而OCR在检测到换行符号时会自动将后续内容显示在另起的一行中，因此当使用OCR技术手段进行可编辑文本的获取时，会使得属于同一段落的内容在多个换行符号处均被割裂开，出现同一段落的内容分散在不同行显示的情况，从而无法开展基于段落的文本处理任务。

发明内容

为了解决上述技术问题，本发明实施例提供一种文本处理方法、装置及计算机可读存储介质，能够对文本中原本属于同一段落但却分散在不同行显示的内容进行段落合并，从而保证后续基于段落的文本处理任务顺利进行。

为了达到本发明实施例目的，本发明实施例提供了一种文本处理方法，包括：

服务器按行获取待处理文本的内容；

当所述待处理文本中存在以非结束符号结尾的行，将所述以非结束符号结尾的行与该行的下一行合并在同一个段落中；其中，所述非结束符号是表示语句未结束的符号。

当所述待处理文本中存在以结束符号结尾且只包含前引号不包含后引号的行；其中，所述结束符合是标识语句结束的符号，还包括：

将所述以结束符号结尾且只包含前引号不包含后引号的行与该行的下一行合并在同一个段落中。

所述非结束符号集合包括：逗号、顿号和前引号；

所述结束符号结合包括：句号加后引号、问号加后引号、句号、感叹号和问号。

当所述待处理文本中存在以文字结尾的行，还包括：

获取由所述以文字结尾的行的末尾文字和该行的下一行的开头文字组成的词组；

判断获得的词组是否存在于预先建立的词组集合中；

当获得的词组存在于所述词组集合中，将所述以文字结尾的行与该行的下一行合并在同一个段落中。

所述词组集合包括：从预先指定的词典中获得的词组以及所述待处理文本中出现次数大于预设次数的由至少两个连续汉字组成的词组。

当获得的词组不存在于所述词组集合中，还包括：

获取所述待处理文本中最长的行长度作为所述待处理文本的显示宽度；

获取所述以文字结尾的行的行长度与所述待处理文本的显示宽度之间的差值绝对值；

当获得的差值绝对值小于预设长度，将所述以文字结尾的行与该行的下一行合并在同一个段落中。

所述行长度表示为以预设字体类型和预设字体大小进行文字显示时所显示的字数。

本发明实施例提供了一种服务器，包括：

获取模块，用于按行获取待处理文本的内容；