[发明专利]筛选PDF文件信息的方法、装置、计算机设备及存储介质

说明书

本发明公开了一种筛选PDF文件信息的方法，包括以下步骤：运行PDF插件，所述PDF插件用于将PDF文件无损转换为文本文件；获取人工编写的一段C语言代码，所述C语言代码用于支持java虚拟机调用所述PDF插件；执行所述C语言代码，通过所述C语言代码调用所述PDF插件以模拟用户将PDF文件转换为文本文件；通过执行内置代码把文本文件转换为XML数据并进行解析；把解析后的XML数据通过预设的规则进行初次匹配，以获得初次匹配后的文件信息；将初次匹配后的文件信息通过优化算法进行分页保存到处理器缓存；将用户输入的字符串数据与处理器缓存内的文件信息进行再次匹配，以获得输出结果。便于用户迅速准确将输入的字符串进行匹配定位，识别效率高，成熟稳定。

技术领域

本发明涉及互联网技术领域，尤其涉及一种筛选PDF文件信息的方法、装置、计算机设备及存储介质。

背景技术

PDF(Portable Document Format，便携式文档格式)是一种可移植文档格式，独立于软件、硬件、操作系统，即使跨平台时仍能保留文件原有格式。由于其具有跨平台、多媒体集成、安全等优点，PDF已成为目前使用最为广泛的电子文档格式之一，大量有价值的数据均以PDF文件的形式进行呈现。PDF格式的文档结构与HTML、XML等格式不同，PDF文件对表格没有特殊的定义，而只是线条与文字的位置组合，PDF包含关键字、分隔符、数据等标识，但由于PDF文件是按照二进制流的方式保存相应信息。所以，PDF文件结构复杂，PDF文件提取数据技术相对困难。

作为结构化的文件格式，PDF文档是由一些称为“对象”的模块组成的，通过对这些对象进行编号，实现了对象间的引用和随机访问，页面对象中除了包含页面的内容(文字和图片等)，也有显示该页面的信息，例如字体和页面大小等，整个文档如同一个树形结构，每个对象为一个节点，包含了不同类型的数据，因此，解析PDF难度较大，目前的常规操作是借助第三方模块解决。

在目前的日常办公过程中，用户经常需要输入一串文本去匹配PDF文件格式的合同文本中是否包含此串文本，并且需要快速定位和匹配，现有的技术条件对此类办公需求的解决方法还是一个相对空白的领域。

公开于该背景技术部分的信息仅仅旨在加深对本发明的总体背景技术的理解，而不应当被视为承认或以任何形式暗示该信息构成已为本领域技术人员所公知的现有技术。

发明内容

本发明实施例提供了一种筛选PDF文件信息的方法，旨在解决上述问题。该方法针对PDF文件中的数据信息进行准确识别，以满足用户将输入的字符串与PDF格式的合同文本中信息快速筛选定位的需求。

第一方面，本发明实施例提供了一种筛选PDF文件信息的方法，包括以下步骤：

运行PDF插件，所述PDF插件用于将PDF文件无损转换为文本文件；

获取人工编写的一段C语言代码，所述C语言代码用于支持java虚拟机调用所述PDF插件；

执行所述C语言代码，通过所述C语言代码调用所述PDF插件以模拟用户将PDF文件转换为文本文件；

通过执行内置代码把文本文件转换为XML数据并进行解析；

把解析后的XML数据通过预设的规则进行初次匹配，以获得初次匹配后的文件信息；

将初次匹配后的文件信息通过优化算法进行分页保存到处理器缓存；

将用户输入的字符串数据与处理器缓存内的文件信息进行再次匹配，以获得输出结果。

其进一步技术方案为，所述把解析后的XML数据通过预设的规则进行初次匹配，以获得初次匹配后的文件信息的步骤，包括将XML数据按照预设标签拆分成若干数据块，按照预设标签的子父级关系将各个数据块连接成为树型结构数据，并且涵盖相邻标签的索引关系的步骤。