[发明专利]一种基于版式文件处理大文件的方法

说明书

本发明涉及计算机技术领域，具体涉及一种基于版式文件处理大文件的方法。该方法包括：获取大文件的每页子文件中的可视化图像，获取每个语义元素的位置索引；对可视化图像中的文本数据进行分词并获取每个词的重要程度；同时获取可视化图像的分割图像；对于分割图像的每个语义元素，获取前景区域中的图像数据与背景区域的第一差异、文本数据与背景区域的第二差异，根据每个词对应的第二差异以及重要程度获取语义元素中的文本优先级，根据第一差异和文本优先级获取每个语义元素的显著度；按照显著度的大小将每页子文件的所有语义元素依次传输至客户端，以使客户端对其进行元素组装。本发明实施例能够使大文件传输流畅的同时首先显示重要部分。

技术领域

本发明涉及计算机技术领域，具体涉及一种基于版式文件处理大文件的方法。

背景技术

随着信息化技术的发展，日常办公逐渐采用在线办公，公文流转、合同签署以及招投标等均采用线上电子文件处理，但由于计算机、浏览器以及使用工具对内存的处理有限，大文件的处理一直都是各个办公软件无法解决的问题，通常通过限制上传文件大小来避免大文件的处理。

发明内容

为了解决上述技术问题，本发明的目的在于提供一种基于版式文件处理大文件的方法，所采用的技术方案具体如下：

本发明一个实施例提供了一种基于版式文件处理大文件的方法，该方法包括以下步骤：

获取大文件的每页子文件的可视化图像，所述可视化图像包括多个语义元素；对每页子文件进行解析获取每个语义元素的位置索引；

对可视化图像中的文本数据进行分词处理并获取每个词的重要程度；同时对可视化图像进行语义分割，获取分割图像；

对于分割图像的每个语义元素，获取前景区域中的图像数据与背景区域的第一差异，以及文本数据与背景区域的第二差异，根据每个词对应的第二差异以及重要程度获取每个语义元素中的文本优先级，根据第一差异和文本优先级获取每个语义元素的显著度；

按照显著度的大小将每页子文件的所有语义元素依次传输至客户端，以使客户端根据所述位置索引对其进行元素组装。

优选的，所述对可视化图像中的文本数据进行分词处理并获取每个词的重要程度，包括：

提取可视化图像中的文本数据，利用数据库对其进行分词，得到词语集合，计算每个词的词频、包含该词的段数以及当前页子文件的总段数，进而获取该词的重要程度。

优选的，所述第一差异的获取方法为：

将所述可视化图像进行颜色空间转换，利用色差公式获取每个语义元素的所述图像数据与所述背景区域的第一色差，以该语义元素中的第一色差平均值作为所述第一差异。

优选的，所述第二差异的获取方法为：

获取每个语义元素内每个所述文本数据与所述背景区域的第二色差，将其进行排序得到色差序列，检测色差序列中的变点，利用变点将所述色差序列切割为多个子序列，依据所有第二色差的平均色差以及变点前后的子序列平均色差获取所述第二差异。

优选的，所述文本优先级的获取方法为：

对于每个语义元素的文本数据，以所有词的重要程度的平均值作为该语义元素的文本重要程度，以文本重要程度和第二差异的乘积作为所述文本优先级。

优选的，所述第二差异的获取方法该包括：

获取每个变点对应的前后两个子序列的平均序列色差的序列差值，为所有第二色差的平均色差赋予第一权重，为所有变点对应的序列差值的和赋予第二权重，以两者的加权求和结果作为所述第二差异。

优选的，所述元素组装包括：

按照传输顺序依次在语义元素的位置索引处显示对应内容，直至当前页子文件显示完全。