[發(fā)明專利]一種按涉及重大重組主題的PDF文件切割方法

在審

• 申請?zhí)枺?/td>: 201710823125.8
• 申請日: 2017-09-13
• 公開（公告）號: CN107633040A
• 公開（公告）日: 2018-01-26
• 發(fā)明（設計）人: 張貝貝;徐小艷;周帥鵬;荊姝娟
• 申請（專利權）人: 張貝貝;徐小艷;周帥鵬;荊姝娟
• 主分類號: G06F17/30
• 分類號: G06F17/30;G06F17/22;G06F17/27
• 代理公司: 西安通大專利代理有限責任公司61200
• 代理人: 徐文權

技術領域

本發(fā)明屬于大數(shù)據(jù)研究方面的非結構化數(shù)據(jù)的數(shù)據(jù)結構化處理領域，涉及一種按涉及重大重組主題的PDF文件切割方法。

背景技術

將非結構化數(shù)據(jù)包括以WORD、EXCEL、PDF、TXT、音頻、視頻存在的文件轉換為用戶友好的、可以直接用于統(tǒng)計分析以及應用的結構化數(shù)據(jù)包括以SQL或ORCAL形式存儲的數(shù)據(jù)等是目前大數(shù)據(jù)應用領域較為迫切的需求和研究的難點。

當前針對篇幅較短PDF格式的文件的數(shù)據(jù)結構化方法已經(jīng)存在一些成果，文獻中已有的方法的主要思路為首先將源PDF文檔這一完全非結構化存在的數(shù)據(jù)轉換為→以XML或者WORD格式存在這一半結構化數(shù)據(jù)的文件，通過正則方法→最終轉換為以SQL或ORCAL形式存在的結構化的數(shù)據(jù)；而這兩種思路方法均在XML或WORD文本篇幅較大時，存在轉換效率較低、轉化錯誤率較高等不足。

發(fā)明內容

本發(fā)明的目的在于克服上述現(xiàn)有技術的缺點，提供了一種按涉及重大重組主題的PDF文件切割方法，該方法能夠高效、精準的實現(xiàn)涉及重大重組主題的PDF文件切割。

為達到上述目的，本發(fā)明所述的按涉及重大重組主題的PDF文件切割方法包括以下步驟：

1)通過分布式互聯(lián)網(wǎng)爬蟲技術獲取公開的涉及重大重組主題且以PDF格式存儲的業(yè)務文件；

2)依據(jù)業(yè)務層需求對步驟1)獲取的公開的涉及重大重組主題且以PDF格式存儲的業(yè)務文件進行涉及重大重組主題的業(yè)務層分析，確定涉及重大重組主題的PDF文件的語言描述特征、關鍵字及關鍵字標題；

3)通過涉及重大重組主題的PDF文件及步驟2)所確定涉及重大重組主題的PDF文件的語言描述特征逐頁對源PDF文件進行關鍵字及關鍵字標題的正則搜索，確定包含關鍵字及關鍵字標題的PDF文件的頁碼信息集合P；

4)采用頁碼異常去除機制對步驟3)得到的PDF文件頁碼信息集合P中的異常頁碼進行去除，得去除后的PDF文件頁碼信息集合P_final；

5)根據(jù)步驟4)所獲得的去除后PDF文件頁碼信息集合P_final對源PDF文件進行關于重大重組主題的切割，完成涉及重大重組主題的PDF文件切割。

涉及重大重組主題的關鍵字和關鍵字標題集合記KRT＝{KRT₁,KRT₂,KRT₃,...,KRT_n}，其中，KRT₁表示交易方，KRT₂表示交易對方，KRT₃表示收購總股數(shù)，KRT₄表示收購總股本，KRT₅表示發(fā)行股份，KRT₆表示發(fā)行股份及支付現(xiàn)金，KRT₇表示資產(chǎn)重組，KRT₈表示重大資產(chǎn)置換，KRT₉表示參與**競拍，KRT₁₀表示與**參與定向增發(fā)的協(xié)議，KRT₁₁表示收購，KRT₁₂表示構成重大重組，KRT₁₃表示交易時間。