[发明专利]一种PDF文档的处理方法及装置

权利要求书

1.一种PDF文档的处理方法，其特征在于，包括：

依据预设的第一类对象的特征，识别PDF文档中的第一类对象，所述第一类对象包括各级标题、页眉和页脚中的至少一项，所述特征包括内容和格式；

识别所述PDF文档中的第二类对象，所述第二类对象为预先规定具有超链接的字符；

依据预设的目录的特征，识别所述PDF文档中的目录，所述目录的特征包括目录的关键字和格式；

其中，所述识别所述PDF文档中的第二类对象，包括：

使用OCR识别所述PDF文档，得到文档；

使用自然语言理解算法，基于语义识别所述文档中的预设字符；

将所述文档输入第三模型，得到所述第三模型依据所述字符的上下文信息确定的所述字符的含义；

依据所述预设字符的含义，确定所述预设字符为所述预先规定具有超链接的字符。

2.根据权利要求1所述的方法，其特征在于，所述依据预设的第一类对象的特征，识别PDF文档中的第一类对象，所述第一类对象包括各级标题、页眉和页脚中的至少一项，所述特征包括内容和格式，包括：

使用第一模型，得到所述各级标题的识别结果，所述第一模型使用所述各级标题的预设的关键字以及格式训练得到；

使用第二模型，得到所述页眉和页脚的识别结果，所述第二模型使用所述页眉和页脚的预设格式训练得到。

3.根据权利要求2所述的方法，其特征在于，在识别所述PDF文档中的所述各级标题之后，还包括：

在所述各级标题的字体格式不满足预设条件的情况下，调整所述字体格式，以满足所述预设条件。

4.根据权利要求1所述的方法，其特征在于，在所述确定所述字符为所述预先规定具有超链接的字符之后，还包括：

依据所述PDF文档的超链接属性信息，核查所述预设字符是否存在对应的超链接；

在所述预设字符不存在对应的超链接的情况下，发出所述预设字符缺失超链接的提示。

5.根据权利要求4所述的方法，其特征在于，在所述确定所述字符为所述预先规定具有超链接的字符之后，还包括：

在所述预设字符存在对应的超链接的情况下，提取所述超链接的内容；

将所述超链接的内容输入所述第三模型，得到所述第三模型依据所述超链接的内容确定的上述超链接的含义；

在所述超链接的含义与所述预设字符的含义不匹配的情况下，发出超链接错误的提示。

6.根据权利要求1所述的方法，其特征在于，在所述识别所述PDF文档中的目录之后，还包括：

使用OCR识别所述PDF文档，得到文档；

将所述文档输入第四模型，得到所述第四模型输入的所述目录中的目录项对应的内容的起始位置，依据所述起始位置，计算所述目录项对应的内容所占的页数；

依据所述起始位置和所述页数，确定所述目录项对应的内容的实际页码；

所述目录项在所述目录中对应的页码与所述实际页码不符的情况下，发出页码错误提示，和/或，将所述目录项在所述目录中对应的页码替换为所述实际页码。

7.一种PDF文档的处理装置，其特征在于，包括：

第一识别单元，用于依据预设的第一类对象的特征，识别PDF文档中的第一类对象，所述第一类对象包括各级标题、页眉和页脚中的至少一项，所述特征包括内容和格式；

第二识别单元，用于识别所述PDF文档中的第二类对象，所述第二类对象为预先规定具有超链接的字符；

第三识别单元，用于依据预设的目录的特征，识别所述PDF文档中的目录，所述目录的特征包括目录的关键字和格式；

其中，所述第二识别单元，具体用于使用OCR识别所述PDF文档，得到文档；使用自然语言理解算法，基于语义识别所述文档中的预设字符；将所述文档输入第三模型，得到所述第三模型依据所述字符的上下文信息确定的所述字符的含义；依据所述预设字符的含义，确定所述预设字符为所述预先规定具有超链接的字符。