[发明专利]结合OCR技术的PDF文字提取方法

摘要

本发明提供了一种结合OCR技术的PDF文字提取方法，属于模式识别技术领域，该方法包括：(1)PDF数据提取；(2)结合OCR技术确认字符内容；(3)对字符的第二编码进行处理；(4)根据字符的位置、字体和字号，导出经过步骤(3)处理的字符的第二编码。本发明中，在字符计算机内码确认过程中结合OCR技术，有效提高了PDF文字提取的准确性，解决了部分PDF文件字符内容无法提取的问题。

主权项

一种结合OCR技术的PDF文字提取方法，其特征在于，该方法包括以下步骤：(1)PDF数据提取：提取PDF文件中字符的第一编码、点阵图像数据、位置、字体和字号；(2)结合OCR技术确认字符内容：基于字符的点阵图像数据进行字符的OCR识别，获得识别结果以及识别可信度，根据识别结果、识别可信度与步骤(1)中提取到的字符的第一编码，得到字符的第二编码；(3)对字符的第二编码进行处理：对字符的第二编码进行排序以及聚类操作，并根据需要进行版面重构；(4)根据字符的位置、字体和字号，导出经过步骤(3)处理的字符的第二编码。