[發明專利]一種可移植文檔格式PDF中的亂碼識別方法和裝置

在審

• 申請號: 201810852497.8
• 申請日: 2018-07-27
• 公開（公告）號: CN110765826A
• 公開（公告）日: 2020-02-07
• 發明（設計）人: 鄧斌
• 申請（專利權）人: 珠海金山辦公軟件有限公司;北京金山辦公軟件股份有限公司;廣州金山移動科技有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06N3/02
• 代理公司: 11262 北京安信方達知識產權代理有限公司
• 代理人: 劉紅梅;曲鵬

本發明實施例公開了一種可移植文檔格式PDF中的亂碼識別方法和裝置，該方法包括：將待識別的PDF文檔輸入預先訓練好的神經網絡模型中，以通過該神經網絡模型識別出待識別的PDF文檔中的亂碼，并輸出標記有亂碼的識別結果。通過該實施例方案，檢測出了用戶的PDF文檔是否存在亂碼，為后續的亂碼修復做準備，提高了用戶體驗感。

技術領域

本發明實施例涉及文檔處理技術，尤指一種可移植文檔格式PDF中的亂碼識別方法和裝置。

背景技術

在可移植文檔格式PDF文檔中，通常因為字體缺失、文字編碼不正確等原因造成文檔在打開的時候出現亂碼，為用戶帶來很多困擾。

發明內容

為了解決上述技術問題，本發明實施例提供了一種PDF中的亂碼識別方法和裝置，能夠檢測出用戶的PDF文檔是否存在亂碼，為后續的亂碼修復做準備，提高用戶體驗感。

為了達到本發明實施例目的，本發明實施例提供了一種PDF中的亂碼識別方法，該方法可以包括：

將待識別的PDF文檔輸入預先訓練好的神經網絡模型中，以通過該神經網絡模型識別出待識別的PDF文檔中的亂碼，并輸出標記有亂碼的識別結果。

可選地，該方法還可以包括：在將待識別的PDF文檔輸入預先訓練好的神經網絡模型之前，打開待識別的PDF文檔，并將待識別的PDF文檔轉換為圖片格式。

可選地，該方法還可以包括：在將待識別的PDF文檔輸入預先訓練好的神經網絡模型之前，獲取標記有亂碼的PDF文檔；將標記有亂碼的PDF文檔輸入未經訓練的神經網絡模型中，以對未經訓練的神經網絡模型進行訓練，使該神經網絡模型具有識別亂碼的功能。

可選地，該方法還可以包括：在將標記有亂碼的PDF文檔輸入未經訓練的神經網絡模型中之前，將預設頁數的PDF文檔的內容或者一頁文檔中預設比例的內容轉換成圖片，以將該圖片輸入神經網絡模型，并對該神經網絡模型進行訓練。

可選地，該神經網絡模型可以包括：TensorFlow。

為了達到本發明實施例目的，本發明實施例還提供了一種PDF中的亂碼識別裝置，該裝置可以包括：識別模塊；

識別模塊，用于將待識別的PDF文檔輸入預先訓練好的神經網絡模型中，以通過神經網絡模型識別出待識別的PDF文檔中的亂碼，并輸出標記有亂碼的識別結果。

可選地，識別模塊還用于：

在將待識別的PDF文檔輸入預先訓練好的神經網絡模型之前，打開待識別的PDF文檔，并將待識別的PDF文檔轉換為圖片格式。

可選地，該裝置還可以包括：訓練模塊；

訓練模塊，用于在識別模塊將待識別的PDF文檔輸入預先訓練好的神經網絡模型之前，獲取標記有亂碼的PDF文檔；將標記有亂碼的PDF文檔輸入未經訓練的神經網絡模型中，以對該神經網絡模型進行訓練，使該神經網絡模型具有識別亂碼的功能。

可選地，訓練模塊還用于：在將標記有亂碼的PDF文檔輸入未經訓練的神經網絡模型中之前，將預設頁數的PDF文檔的內容或者一頁文檔中預設比例的內容轉換成圖片，以將該圖片輸入該神經網絡模型，并對該神經網絡模型進行訓練。

可選地，該神經網絡模型可以包括：TensorFlow。

本發明實施例可以包括：將待識別的PDF文檔輸入預先訓練好的神經網絡模型中，以通過該神經網絡模型識別出待識別的PDF文檔中的亂碼，并輸出標記有亂碼的識別結果。通過該實施例方案，檢測出了用戶的PDF文檔是否存在亂碼，為后續的亂碼修復做準備，提高了用戶體驗感。