[发明专利]一种PDF公告文档的处理方法及系统

说明书

本发明公开了一种公告文档的处理方法及系统，基于获取的PDF公告文档的格式和内容，判断PDF公告文档为标准化PDF文档或非标准化PDF文档，当PDF公告文档为标准化PDF文档时，将PDF公告文档由PDF格式转换为一个临时的docx格式的Word公告文档，对PDF公告文档和Word公告文档采用预设坐标算法进行公告域信息分割，并在分割完成后得到PDF公告文档对应的格式化的公告纯文本。本发明利用Word公告文档中的正文行对象和表格对象，在采用预设坐标算法时有效的区分PDF公告文档中的正文行对象和表格对象，使得PDF公告文档转换之后的正文行对象与表格对象相互区分和隔离，满足自然语言处理技术的需求。

技术领域

本发明涉及计算机技术领域，更具体的说，涉及一种PDF公告文档的处理方法及系统。

背景技术

在证券市场的实际融资融券业务中，相对于结构化的财务报表数据，各种非结构化的PDF公告文档对证券市场的影响更大。因此，利用自然语言处理技术对研究PDF公告文档来对证券市场的影响，可为融资融券业务的开展和风险管理提供强有力的支撑。

目前，自然语言处理技术中各种算法以及系统输入均要求为纯文本的字符串形式。然而，证券市场内各大证券交易所对外发布的PDF公告文档均为PDF格式。针对PDF格式的PDF公告文档，目前市面上已有许多免费或付费工具，能够将PDF格式的PDF公告文档无字符损失地转换为纯文本，比如，TXT文件或Word文件。但是在格式转换过程中，PDF格式的PDF公告文档中原有的一些内容或是格式(比如，空白行、页眉、页脚、页码、换行符等)也被保留了，使得转换后得到的文本内容呈现格式混乱的情况，从而导致格式转换后得到的纯文本仍然无法满足自然语言处理技术所需的输入信息。

综上，如何将PDF公告文档从PDF格式转换成自然语言处理技术所需的纯文本(或者说格式化的公告纯文本)，成为本领域技术人员亟需解决的技术问题。

发明内容

有鉴于此，本发明公开一种公告文档的处理方法及系统，以实现PDF公告文档转换后得到的公告纯文本满足自然语言处理技术的需求。

一种公告文档的处理方法，包括：

获取PDF公告文档；

基于所述PDF公告文档的格式和内容，判断所述PDF公告文档为标准化PDF文档或非标准化PDF文档；

当所述PDF公告文档为所述标准化PDF文档时，将所述PDF公告文档由PDF格式转换为一个临时的docx格式的Word公告文档，所述Word公告文档包括正文行对象和表格对象；

对所述PDF公告文档和所述Word公告文档，采用预设坐标算法进行公告域信息分割，并在分割完成后得到所述PDF公告文档对应的格式化的公告纯文本，其中，所述公告域信息至少包括：公告头部信息、公告标题、公告说明和公告正文。

可选的，所述当所述PDF公告文档为所述标准化PDF文档时，将所述PDF公告文档由PDF格式转换为一个临时的docx格式的Word文档，包括：

当所述PDF公告文档为所述标准化PDF文档时，采用开源模块pdf2docx对所述PDF公告文档中的非表格内容进行提取得到正文行对象，以及对所述PDF公告文档中的表格内容进行提取得到表格对象；

基于所述正文行对象和所述表格对象得到所述Word文档。

可选的，对所述PDF公告文档和所述Word公告文档，采用预设坐标算法进行公告域信息分割，并在分割完成后得到所述PDF公告文档对应的格式化的公告纯文本，包括：

对所述PDF公告文档进行扫描，逐页逐行提取所述PDF公告文档的文本块元素，所述文本块元素包括：文本字符、文本块矩形的左上角坐标值和右下角坐标值；

将逐页逐行提取的所述文本块元素按照提取顺序存放至预先建立的有序字典中；