[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

说明书

本发明公开了一种用于PDF文档页面元素有效信息的提取方法及系统，包括以下：构建初始PDF文档信息提取模型，并存储至第一存储区域；获取文档解析规则集；根据初始PDF文档信息提取模型和文档解析规则集，生成PDF文档信息提取规则模型，并存储至第二存储区域；根据初始PDF文档信息提取模型和PDF文档信息提取规则模型，构建用于提取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，根据初始PDF文档信息提取模型和文档解析规则集，更新PDF文档信息提取模型模型；本发明根据页面顶部和底部文本信息，从前后页面分别获取文本以补全本页面缺失的文本信息，以页面为单位对文本信息进行汇总，信息更为精细化。

技术领域

本发明涉及计算机信息处理技术领域，具体而言，涉及一种用于PDF文档页面元素有效信息的提取方法及系统。

背景技术

PDF是日常交流最为通用的文档格式，其显示和打印效果不受操作系统和操作设备的影响。PDF文档中包含大量的文本和图像信息。PDF页面有效信息的提取方法即提取PDF文档中包含的文本信息，通过系列的信息处理，结合上下文，过滤掉干扰信息和无用信息，将有效信息提取出来并按照指定的方式存储。传统方法是通过OCR识别技术，将PDF转换成图像，经过版面分析、字符划分、文字识别后，将识别的结果输出，此方法在上述的各步骤中需要做智能分析，可能引入错误，识别率存在一定的问题，另一种方法是通过文本解析技术，对PDF文档中的所有文本执行解析，获取全部的文本内容，由于PDF文档中允许编码和显示字符不完全对应，文本显示的位置与文档内实际的位置不完全对应，导致该方法无法通过所提取的字符的计算机内码来提取字符，即便字符提取成功，也有可能存在文本内容错乱的情况。

发明内容

为了解决上述问题，本发明的目的在于提供一种结合PDF页面对象坐标和形状信息的文字提取方法，结合前后页面和页面特征，克服现有技术识别错误和文本内容错乱以及无效信息干扰的情况，提高PDF文本信息的有效性。尤其是在对于文档每个页面的信息均需要独立处理时，可以根据前后页面的上下文拼接，确定本页面的有效信息。

为了实现上述技术目的，本申请提供了一种用于PDF文档页面元素有效信息的提取方法，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，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，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；

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

根据初始PDF文档信息提取模型和PDF文档信息提取规则模型，构建用于提取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，根据初始PDF文档信息提取模型和文档解析规则集，更新PDF文档信息提取模型。

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

优选地，在获取PDF文档的对象的过程后，根据PDF文档的对象，搜索对象中关键标记的标记位置，并按照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。

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

标记位置用于表示用于划分信息区域。

优选地，在将页面划分为多个不同信息区域的过程中，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。