[發(fā)明專利]一種完整識(shí)別PDF文件頁(yè)眉頁(yè)腳的技術(shù)

在審

• 申請(qǐng)?zhí)枺?/td>: 201910587311.5
• 申請(qǐng)日: 2019-06-28
• 公開（公告）號(hào): CN110543810A
• 公開（公告）日: 2019-12-06
• 發(fā)明（設(shè)計(jì)）人: 徐茂龍;楊鴻健;程晨
• 申請(qǐng)（專利權(quán)）人: 南京智錄信息科技有限公司
• 主分類號(hào): G06K9/00
• 分類號(hào): G06K9/00
• 代理公司: 暫無信息
• 代理人: 暫無信息

一種PDF文件頁(yè)眉頁(yè)腳識(shí)別的方法：解析PDF，得到PDF原始存儲(chǔ)數(shù)據(jù)，根據(jù)每一頁(yè)進(jìn)行拆分。根據(jù)PDF頁(yè)面內(nèi)存儲(chǔ)數(shù)據(jù)的順序來識(shí)別頁(yè)眉頁(yè)腳；具體特征：在沒有頁(yè)眉頁(yè)腳的情況下，PDF文檔的數(shù)據(jù)是從上往下，從左往右開始逐個(gè)存儲(chǔ)的，但是當(dāng)有頁(yè)眉頁(yè)腳的情況下，PDF文檔是先存儲(chǔ)頁(yè)眉再存儲(chǔ)頁(yè)腳，然后是正文數(shù)據(jù)部分。根據(jù)文檔數(shù)據(jù)順序以及頁(yè)面最底端行數(shù)據(jù)的位置來獲取頁(yè)眉頁(yè)腳。根據(jù)文本數(shù)據(jù)的距離底端的距離判斷，另外對(duì)于純圖片格式的PDF文件，根據(jù)特征識(shí)別獲取頁(yè)眉頁(yè)腳。包括以下步驟：查找頁(yè)面頭部和尾部的頁(yè)眉頁(yè)腳特征，根據(jù)多頁(yè)的特征情況進(jìn)行分析，對(duì)于多種頁(yè)眉頁(yè)腳形式進(jìn)行分類。

技術(shù)領(lǐng)域：

本發(fā)明涉及到PDF(便攜式文檔格式)的一種頁(yè)眉頁(yè)腳數(shù)據(jù)分離的處理方法。

背景技術(shù)：

1.目前幾乎所有的教育論文，上市公司公告都是以PDF文件格式發(fā)布于知網(wǎng)，上交所，深交所等渠道，這個(gè)格式方便了大家跨越設(shè)備去閱讀，但是對(duì)于想要通過文檔獲取數(shù)據(jù)來說，提取這部分?jǐn)?shù)據(jù)較為復(fù)雜，如大海撈針，并且也沒有結(jié)構(gòu)化的數(shù)據(jù)；

2.對(duì)PDF文件結(jié)構(gòu)化提取的都要做的處理是切割出頁(yè)眉頁(yè)腳區(qū)域以規(guī)避對(duì)原文主要內(nèi)容的污染；

3.對(duì)于純圖片格式的PDF文件來說，需要對(duì)頁(yè)面內(nèi)容進(jìn)行圖像識(shí)別(OCR) 獲取到所有框線與文本坐標(biāo)數(shù)據(jù)，以及文本內(nèi)容；

4.對(duì)于正常格式的PDF文件來說，使用pdf.js等開源軟件可獲取解析PDF 文件后的數(shù)據(jù)，進(jìn)一步提取可以獲取到頁(yè)面內(nèi)的框線的數(shù)據(jù)以及文本內(nèi)容和坐標(biāo)數(shù)據(jù)。

發(fā)明內(nèi)容：

本申請(qǐng)?zhí)峁┝薖DF文檔的頁(yè)眉頁(yè)腳識(shí)別方法與裝置，主要分為兩種處理方式：

1.正常格式的PDF文件處理

(1)獲取PDF文件的原始解析數(shù)據(jù)；

(2)根據(jù)解析數(shù)據(jù)的順序以及其離頁(yè)面底部的距離來判斷是否屬于頁(yè)眉頁(yè)腳；

(3)對(duì)于在頁(yè)面上半部分的屬于頁(yè)眉；

(4)對(duì)于在頁(yè)面下半部分的屬于頁(yè)腳；

(5)對(duì)于頁(yè)眉頁(yè)腳中間區(qū)域過小的根據(jù)下面的算法進(jìn)行重新獲取。

2.純圖片或者非正常格式的頁(yè)眉頁(yè)腳識(shí)別

(1)查找頁(yè)面頭部和尾部的頁(yè)眉頁(yè)腳特征；

(2)根據(jù)多頁(yè)的特征情況進(jìn)行分析；

(3)對(duì)于多種頁(yè)眉頁(yè)腳形式進(jìn)行分類。

附圖說明：

為了更清楚地說明本發(fā)明實(shí)施例的技術(shù)方案，下面將對(duì)實(shí)施例中所需要使用的附圖做簡(jiǎn)單的介紹，應(yīng)當(dāng)理解，以下附圖僅展示出了本發(fā)明的某些實(shí)施例，因此不應(yīng)被看作是對(duì)范圍的限定，對(duì)于本領(lǐng)域普通技術(shù)人員來講，在不付出創(chuàng)造性勞動(dòng)的前提下，還可以根據(jù)這些附圖獲得其他相關(guān)的附圖。

圖1為本發(fā)明所述的一種完整識(shí)別PDF文件頁(yè)眉頁(yè)腳技術(shù)的流程圖。

具體實(shí)施方法：

一、正常非純圖片(掃描件)格式的PDF文件

1.使用pdf.js開源軟件獲取解析PDF文件后的原始數(shù)據(jù)，按照解析后的數(shù)據(jù)的順序提取文本的坐標(biāo)數(shù)據(jù)。

坐標(biāo)數(shù)據(jù)包括

x：離頁(yè)面左邊框的距離

y：離頁(yè)面底端的距離

w：文本數(shù)據(jù)的寬度

h：文本數(shù)據(jù)的高度

2.判斷是否存在頁(yè)眉頁(yè)腳：