[发明专利]一种文档解析方法及系统

权利要求书

1.一种文档解析方法，其特征在于，包括：

S101：获取PDF文档；

S102：查找到所述PDF文档的文档尾Trailer；

S103：根据所述文档尾Trailer查找到根节点对象Root；

S104：根据所述根节点对象Root的属性标签查找到所述根节点对象Root中包括的页节点对象Pages；

S105：CPU多线程同时查找所述页节点对象Pages中是否存在/Contents属性标签；如果不存在，结束流程；如果存在，将所述/Contents属性标签定义为待解析标签进入S106；

S106：根据所述PDF文档的交差引用表Xref table，将每个线程查找到的所述待解析标签搭建为结构树，所述结构树中存储有各个所述待解析标签的位置和标签之间的父子关系；

S107：动态调整可用于解析所述待解析标签的CPU的线程数和GPGPU线程数；

S108：CPU和GPGPU多线程同时提取待所述解析标签中的Stream流以及所述Stream流中的文本内容；

S109：根据所述结构树中存储的各个所述待解析标签的位置和标签之间的父子关系，将每个线程提取的所述文本内容进行拼接，得到所述PDF文档的完整文本数据；

S110：对所述PDF文档的所述完整文本数据中的敏感词进行脱敏处理。

2.根据权利要求1所述的文档解析方法，其特征在于，所述S107具体为：

以预设的时间间隔定义出平衡时刻，在每个所述平衡时刻，平衡在查找标签阶段中查找所述待解析标签的效率和在解析标签阶段中解析所述待解析标签的效率，以动态调整可用于解析所述待解析标签的CPU的线程数和GPGPU线程数：

其中，表示每个CPU线程在所述查找标签阶段中查找一个所述待解析标签所需的平均时长，表示每个CPU线程在所述解析标签阶段中解析一个所述待解析标签所需的平均时长，表示每个GPGPU线程在所述解析标签阶段中解析一个所述待解析标签所需的平均时长，表示在所述查找标签阶段中使用的CPU线程数，表示在所述解析标签阶段中使用的CPU线程数，M表示在所述解析标签阶段中使用的GPGPU线程数，由于GPGPU还承担了图像处理功能，GPGPU可用于解析标签的线程是实时变化的，即在所述解析标签阶段中可使用的GPGPU线程数M是实时变化的，N表示CPU的总线程数。

3.根据权利要求2所述的文档解析方法，其特征在于，所述S107还包括：

预留出第一预设数量的CPU线程和第二预设数量的GPGPU线程，在两个所述平衡时刻之间的时间间隙内，通过预留出的所述第一预设数量的CPU线程和所述第二预设数量的GPGPU线程，平衡在所述查找标签阶段中查找所述待解析标签的效率和在所述解析标签阶段中解析所述待解析标签的效率，以消除平均时长与实际时长之间的误差。