[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

技術領域

本發明涉及信息技術領域，尤其涉及一種電子檔版式文件閱讀順序分析的方法。

背景技術

PDF(Portable?Document?Format，便攜式文件格式)是Adobe公司發展出來的一種文件格式，它的優點在于跨平臺，能保留文件原有的格式(Layout)，高質量和保真的進行原始文件和格式的呈現，但是PDF是非結構化的數據存儲格式，對于進行PDF文件中文本的信息檢索或PDF格式轉換為其它流式格式文件，提取出來的文本信息并非是按文件的閱讀順序輸出，可能存在后序的內容提前出現在輸出的文本中。

專利申請號為2010105591353的專利申請文件公開了識別版面閱讀順序的方法，包括：讀取待識別版面，并分析版面以得到版面布局信息和字符文本對象和圖像對象的對象屬性；根據版面布局信息和對象屬性，將字符文本對象合并為文本段落并將圖形對象識別為圖像段落；采用全局遞歸切割與局部先后順序判定相結合的方式來確定文本段落和圖像段落的閱讀順序，其中，通過投影來進行全局切割，對于全局切割之后仍包含多個段落的分組，采用局部判定方法來判斷段落的先后順序。此方法使用的遞歸劃分法在縱向有一定缺陷,容易出現模棱兩可的塊劃分。

專利申請號為2004100914343的專利申請文件公開了一種基于內容的對報紙版面進行文字閱讀順序恢復的方法，該方法是針對處理復雜報紙版面存在丟失閱讀順序且內容不具有篇章獨立性的缺陷的問題來以圖論理論進行數學建模，把文字塊的鄰接關系表示為有向圖，并把有向圖拆分轉化為加權二分圖，采用自然語言處理技術計算二分圖邊權值，通過最優匹配得到多個連續序列，每個序列再根據文字塊樣式信息分割成多個子序列，子序列對應內容的連接即是獨立篇章的具有閱讀順序的文字流。此方法使用了復雜的圖論算法和自然語言處理技術。

為了解決上述問題本申請文件提供了一種針對版式文件進行聚類分析，并按照拓撲排序的方法進行閱讀順序分析和識別的方法。

發明內容

為解決上述技術問題，本發明的目的是提供一種針對版式文件進行聚類分析，并按照拓撲順序的方法進行閱讀順序分析和識別的方法，該方法通過識別物理塊的拓撲順序，即可實現快速高效準確的判定邏輯順序。方法簡單高效、準確率高。

本發明的目的通過以下的技術方案來實現：

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。

與現有技術相比，本發明的一個或多個實施例可以具有如下優點：

該方法針對版式文件進行聚類分析，按照拓撲排序的方法進行閱讀順序分析和識別的方法，同時對輸出內容進行XML格式化話輸出，方便進行PDF格式文件的檢索和格式轉換。

附圖說明

附圖用來提供對本發明的進一步理解，并且構成說明書的一部分，與本發明的實施例共同用于解釋本發明，并不構成對本發明的限制。在附圖中：

圖1是電子檔版式文件閱讀順序分析的方法流程圖；

圖2是PDF原始文件結構圖；

圖3是原始文本信息結構圖；

圖4是文本行合并、頁眉頁腳識別和分隔行識別效果圖；

圖5是文本塊效果結構圖；

圖6是閱讀順序分析效果圖；

圖7是邏輯段落效果結構圖；

圖8是XML輸出圖；

圖9是包含圖片和表格的閱讀順序分析效果圖；

圖10是三欄的PDF文件閱讀順序效果圖。

具體實施方式

為使本發明的目的、技術方案和優點更加清楚，下面將結合實施例及附圖對本發明作進一步詳細的描述。

如圖1所示，是電子檔版式文件閱讀順序分析的方法流程，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；