[發明專利]生僻字處理方法、計算設備及計算機存儲介質

有效

• 申請號: 201810659246.8
• 申請日: 2018-06-25
• 公開（公告）號: CN108846367B
• 公開（公告）日: 2019-08-30
• 發明（設計）人: 張恒;李銘瀚;于剛
• 申請（專利權）人: 掌閱科技股份有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62
• 代理公司: 北京市浩天知識產權代理事務所(普通合伙) 11276
• 代理人: 宋菲;劉云貴

本發明公開了一種生僻字處理方法、計算設備及計算機存儲介質，其中，方法包括：對文檔的文本對象進行識別，確定待識別生僻字區域，獲取待識別生僻字區域內的待識別生僻字信息；根據相似度匹配規則，判斷所述文檔的已識別結果中是否存在與所述待識別生僻字信息匹配的已識別生僻字信息；若是，則將所述已識別生僻字信息對應的識別結果作為所述待識別生僻字區域的識別結果。本發明方案，針對相同的生僻字，僅需保存唯一一份識別結果，以及，在顯示待識別生僻字的場景中，直接用相同的已識別生僻字的識別結果作為待識別生僻字區域的識別結果，避免了大量重復的識別結果的存儲，進而減小了書籍文件的大小。

技術領域

本發明涉及文本識別技術領域，具體涉及一種生僻字處理方法、計算設備及計算機存儲介質。

背景技術

目前，隨著手機等移動終端的普及以及電子書閱讀器的發展，電子書越來越受閱讀用戶的青睞。與此同時，在電子閱讀器中，為使文檔內容能夠根據閱讀設備的特性，以最適于閱讀的方式顯示，需將版式文檔轉成流式文檔，例如，將PDF文檔轉成電子出版文檔(Electronic Publication，簡稱ePUB)。

然而，由于PDF等版式文檔的字符編碼方式有限，導致大量生僻字只能以路徑線的形式表示出來，針對這些生僻字，則需要采用生僻字的識別方法，來得到特定位置的生僻字的識別結果，例如得到特定位置的生僻字圖片；而在流式文檔的填充過程中，則用保存的特定位置的生僻字的識別結果來進行對應位置的生字僻填充，以使呈現給用戶的流式文檔的內容完整且有序。但是，若在版式文檔的不同位置，均出現相同的生僻字，則需要分別保存對應多處不同位置的生僻字的識別結果，例如，版式文檔中的生僻字a出現了100次，則在已識別結果中保存對應100處生僻字a的相同的識別結果，這樣會使保存的生僻字的識別結果存在大量的重復，極大的增加了書籍文件的數據量。

發明內容

鑒于上述問題，提出了本發明以便提供一種克服上述問題或者至少部分地解決上述問題的生僻字處理方法、計算設備及計算機存儲介質。

根據本發明的一個方面，提供了對文檔的文本對象進行識別，確定待識別生僻字區域，獲取待識別生僻字區域內的待識別生僻字信息；

根據相似度匹配規則，判斷所述文檔的已識別結果中是否存在與所述待識別生僻字信息匹配的已識別生僻字信息；

若是，則將所述已識別生僻字信息對應的識別結果作為所述待識別生僻字區域的識別結果。

根據本發明的另一方面，提供了一種計算設備，包括：處理器、存儲器、通信接口和通信總線，所述處理器、所述存儲器和所述通信接口通過所述通信總線完成相互間的通信；

所述存儲器用于存放至少一可執行指令，所述可執行指令使所述處理器執行以下操作：

對文檔的文本對象進行識別，確定待識別生僻字區域，獲取待識別生僻字區域內的待識別生僻字信息；

根據相似度匹配規則，判斷所述文檔的已識別結果中是否存在與所述待識別生僻字信息匹配的已識別生僻字信息；

若是，則將所述已識別生僻字信息對應的識別結果作為所述待識別生僻字區域的識別結果。

根據本發明的又一方面，提供了一種計算機存儲介質，所述存儲介質中存儲有至少一可執行指令，所述可執行指令使處理器執行以下操作：

對文檔的文本對象進行識別，確定待識別生僻字區域，獲取待識別生僻字區域內的待識別生僻字信息；

根據相似度匹配規則，判斷所述文檔的已識別結果中是否存在與所述待識別生僻字信息匹配的已識別生僻字信息；

若是，則將所述已識別生僻字信息對應的識別結果作為所述待識別生僻字區域的識別結果。