[发明专利]一种PDF文件修复方法和系统

权利要求书

1.一种PDF文件修复方法，其特征在于，该PDF文件修复方法包括以下流程：

A．绘制PDF文件中每个字符的字符图像；

B．采用OCR识别模型分别对每个字符图像进行字符识别，基于字符识别结果和通用字符编码表，编制出字符映射表，所述字符映射表含字符字型与字符编码的映射关系；

C．以所述字符映射表修复PDF文件的CMAP表。

2.如权利要求2所述的PDF文件修复方法，其特征在于，所述步骤C具体为：若所述PDF文件中原来存在CMAP表，则以字符映射表修正PDF文件的原CMAP表，否则，将字符映射表作为PDF文件的CMAP表。

3.如权利要求2所述的PDF文件修复方法，其特征在于，所述步骤B具体为：OCR识别模型分别对每个字符图像进行字符识别，得到每个字符图像对应的字符字型，再获取字符字型的通用字符编码，将识别出的每个字符图像对应的字符字型与获取到的通用字符编码进行一一对应，并将所有字符字型与通用字符编码的对应关系汇总，得到字符映射表。

4.如权利要求2或3所述的PDF文件修复方法，其特征在于，步骤C中，所述以字符映射表修正PDF文件的原CMAP具体为：以字符映射表替换PDF文件的原CMAP表。

5.一种PDF文件修复系统，其特征在于，其包括字符扫描模块、OCR识别模块、映射表构建模块和CMAP表修复模块，其中：

字符扫描模块用于绘制出PDF文件中每个字符的字符图像，将绘制出的所有字符图像传输给OCR识别模块；

OCR识别模块通过OCR识别模型，分别对接收的每个字符图像进行字符识别，将识别结果传输给映射表构建模块；

映射表构建模块基于通用字符编码表和接收的识别结果，构建出字符映射表，该字符映射表含字符字型与字符编码间的映射关系；

CMAP表修复模块基于所述字符映射表修复所述PDF文件的CMAP表。

6.如权利要求5所述的PDF文件修复系统，其特征在于，所述CMAP表修复模块基于字符映射表修复所述PDF文件的CMAP表具体为：CMAP表修复模块判断所述PDF文件中是否存在CMAP表，若是，则以所述字符映射表修正PDF文件的原CMAP表，否则，将所述字符映射表作为PDF文件的CMAP表。

7.如权利要求6所述的PDF文件修复系统，其特征在于，所述映射表构建模块构建字符映射表的过程为：映射表构建模块分别获取OCR 识别模块传输来的每个字符字型所对应的通用字符编码，将识别出的每个字符图像对应的字符字型与获取到的通用字符编码进行一一对应，并将所有字符字型与通用字符编码的对应关系汇总，得到字符映射表。

8.如权利要求6或7所述的PDF文件修复系统，其特征在于，所述CMAP表修复模块在原PDF文件中存在CMAP表时，修复PDF文件的CMAP表的方式为：以所述字符映射表替换PDF文件的原CMAP表。