[发明专利]一种用于PDF文档页面元素有效信息的提取方法及系统

权利要求书

1.一种用于PDF文档页面元素有效信息的提取方法，其特征在于，包括以下步骤：

构建初始PDF文档信息提取模型，并存储至第一存储区域，所述初始PDF文档信息提取模型用于生成具有时效性的PDF文档信息提取规则模型；

获取文档解析规则集，所述文档解析规则集用于表示解析PDF文档获取PDF文档有效信息的规则集合；

根据所述初始PDF文档信息提取模型和所述文档解析规则集，生成PDF文档信息提取规则模型，并存储至第二存储区域；

根据所述初始PDF文档信息提取模型和所述PDF文档信息提取规则模型，构建用于提取所述PDF文档有效信息的PDF文档信息提取模型；

通过设定第一间隔时间，根据所述初始PDF文档信息提取模型和所述文档解析规则集，更新所述PDF文档信息提取模型。

2.根据权利要求1所述一种用于PDF文档页面元素有效信息的提取方法，其特征在于：

在使用所述PDF文档信息提取模型获取所述PDF文档有效信息的过程中，打开所述PDF文档，按照从上到下、从左到右的顺序解析并排列所述PDF文档的对象，其中，所述对象包括文本框、图片、矩形框、曲线。

3.根据权利要求2所述一种用于PDF文档页面元素有效信息的提取方法，其特征在于：

在获取所述PDF文档的对象的过程后，根据所述PDF文档的对象，搜索所述对象中关键标记的标记位置，并按照所述标记位置将页面划分为多个不同信息区域，提取不同区域的信息并存入变量中。

4.根据权利要求3所述一种用于PDF文档页面元素有效信息的提取方法，其特征在于：

在搜索所述对象中关键标记的位置的过程中，所述关键标记用于表示超过破折号长度的线条；

所述标记位置用于表示用于划分信息区域。

5.根据权利要求4所述一种用于PDF文档页面元素有效信息的提取方法，其特征在于：

在将页面划分为多个不同信息区域的过程中，所述不同信息区域包括页眉的标题、章节号、页码，正文区域，页脚的脚注、页码、注释。

6.根据权利要求5所述一种用于PDF文档页面元素有效信息的提取方法，其特征在于：

在获取所述PDF文档有效信息的过程中，根据所述不同信息区域，判断段落是否开始，如果不是，则从上一页正文中取最后一个标点至末尾拼接到正文的首部。

7.根据权利要求6所述一种用于PDF文档页面元素有效信息的提取方法，其特征在于：

在获取所述PDF文档有效信息的过程中，获取所述正文区域的文本的密度信息，若所述密度信息小于指定百分比时，则使用OCR识别，否则，根据所述文本所在页面区域位置进行提取，其中，提取所述文本的过程包括：页码提取效验、标题提取、正文提取、注释提取。

8.根据权利要求6所述一种用于PDF文档页面元素有效信息的提取方法，其特征在于：

在判断段落是否开始的过程中，根据所述标记位置，确定所述有效信息的坐标范围，排除该范围外的所有对象；

顺序遍历所述坐标范围内的对象，提取文本信息，并根据信息不全偏好，对顶部或底部的文本信息，判断段落是否为开头，其中，判断的依据为：所述顶部的首个字符未顶格，和/或，所述底部的结尾不是标点符号。