[發明專利]一種電子檔版式文件閱讀順序分析的方法在審
| 申請號： | 201410488102.2 | 申請日： | 2014-09-22 |
| 公開（公告）號： | CN104268127A | 公開（公告）日： | 2015-01-07 |
| 發明（設計）人： | 張斌;張曉博;張寶亮 | 申請（專利權）人： | 同方知網（北京）技術有限公司 |
| 主分類號： | G06F17/21 | 分類號： | G06F17/21;G06F17/30 |
| 代理公司： | 北京天奇智新知識產權代理有限公司 11340 | 代理人： | 劉黎明 |
| 地址： | 100084 北京市海淀區清華園清華*** | 國省代碼： | 北京;11 |
| 權利要求書： | 查看更多 | 說明書： | 查看更多 |
| 摘要： | |||
| 搜索關鍵詞： | 一種 電子 版式 文件 閱讀 順序 分析 方法 | ||
1.一種電子檔版式文件閱讀順序分析的方法，其特征在于，所述方法包括以下步驟：
提取PDF文件中原始信息；
識別頁眉、頁腳，并對相鄰文本內容進行合并，得到行內容；
對文本行內容進行塊合并，得到文本塊內容；
對相鄰圖片進行合并，得到圖片塊內容；
對路徑信息進行分析，得到水平方向的分割線；
將文本快內容和圖片塊內容進行X方向投影，得到水平分隔塊內容；
以文本塊內容、圖片塊內容、水平分隔線、表格及水平分隔塊內容物理信息為元素，進行拓撲排序，得到PDF文件的閱讀順序；
通過閱讀順序基礎對文本塊內容進行分段識別；
輸出XML格式文本。
2.根據權利要求1所述的電子檔版式文件閱讀順序分析的方法，其特征在于，所述步驟還包括：對不同于正文內容的表格文本內容進行區域識別。
3.根據權利要求1所述的電子檔版式文件閱讀順序分析的方法，其特征在于，對所述相鄰圖片合并還包括：對分割過的PDF圖片進行相鄰合并。
4.根據權利要求1所述的電子檔版式文件閱讀順序分析的方法，其特征在于，所述提取的PDF文件中原始信息包括：文本信息、圖片信息和圖片的坐標信息、路徑信息及PDF的頁碼與頁面大小。
5.根據權利要求4所述的電子檔版式文件閱讀順序分析的方法，其特征在于，所述文本信息包括文本內容、字體信息和坐標信息。
6.根據權利要求1所述的電子檔版式文件閱讀順序分析的方法，其特征在于，所述文本快內容和圖片塊內容進行X方向投影，是通過XYCut算法計算出水平方向的分隔塊信息。
該專利技術資料僅供研究查看技術是否侵權等信息，商用須獲得專利權人授權。該專利全部權利屬于同方知網（北京）技術有限公司，未經同方知網（北京）技術有限公司許可，擅自商用是侵權行為。如果您想購買此專利、獲得商業授權和技術合作，請聯系【客服】
本文鏈接：http://www.szxzyx.cn/pat/books/201410488102.2/1.html，轉載請聲明來源鉆瓜專利網。
- 上一篇：一種面向Twitter的社交廣告可投放性分析方法
- 下一篇：全自動加料機構
