[發明專利]一種歷史文獻數字化方法、系統、裝置及存儲介質

在審

• 申請號: 202110140387.0
• 申請日: 2021-02-02
• 公開（公告）號: CN112836073A
• 公開（公告）日: 2021-05-25
• 發明（設計）人: 劉越暢
• 申請（專利權）人: 嘉應學院
• 主分類號: G06F16/51
• 分類號: G06F16/51;G06F16/58;G06F16/583;G06K9/00;G06K9/34
• 代理公司: 深圳市創富知識產權代理有限公司 44367
• 代理人: 葉燦才

1.一種歷史文獻數字化方法，其特征在于，包括以下步驟：

獲取平臺文獻資料，得到打包壓縮文件；

對打包壓縮文件進行解壓和格式轉換，得到預處理后圖像；

對預處理后圖像進行OCR識別和文字整合，得到整合后數據；

創建數據庫并將整合后數據存入數據庫。

2.根據權利要求1所述一種歷史文獻數字化方法，其特征在于，還包括：

對整合后數據進行識別校正。

3.根據權利要求2所述一種歷史文獻數字化方法，其特征在于，所述獲取平臺文獻資料，得到打包壓縮文件這一步驟，其具體包括：

基于平臺獲取文獻資料的文件包；

對文件包進行分析，構建得到文件樹結構圖；

對文件包和文件樹結構圖進行壓縮，得到打包壓縮文件。

4.根據權利要求3所述一種歷史文獻數字化方法，其特征在于，所述對打包壓縮文件進行解壓和格式轉換，得到預處理后圖像這一步驟，其具體包括：

對打包壓縮文件解壓到對應的文件目錄下，得到全部PDF文件；

將PDF文件轉換為base64格式，得到base64格式的圖像。

5.根據權利要求4所述一種歷史文獻數字化方法，其特征在于，所述對預處理后圖像進行OCR識別和文字整合，得到整合后數據這一步驟，其具體包括：

基于OCR識別算法對base64格式的圖像進行識別，得到文字數據；

根據文字數據取得書名、作者信息、出版時間、目錄和正文內容；

按預設規則對文字數據整合，得到整合后數據。

6.根據權利要求5所述一種歷史文獻數字化方法，其特征在于，所述按預設規則對文字數據整合，得到整合后數據這一步驟，其具體包括：

選擇一圖一頁規則，以一張圖片作為一頁對數據進行整合處理，將圖片計數，得到整合后數據；

選擇一圖兩頁規則，將一張圖片分割為兩頁對數據進行分頁處理，得到整合后數據。

7.一種歷史文獻數字化系統，其特征在于，包括：

數據獲取模塊，用于獲取平臺文獻資料，得到打包壓縮文件；

圖像預處理模塊，用于對打包壓縮文件進行解壓和格式轉換，得到預處理后圖像；

內容識別模塊，用于對預處理后圖像進行OCR識別和文字整合，得到整合后數據；

存入數據庫模塊，用于創建數據庫并將整合后數據存入數據庫。

8.一種歷史文獻數字化裝置，其特征在于，包括：

至少一個處理器；

至少一個存儲器，用于存儲至少一個程序；

當所述至少一個程序被所述至少一個處理器執行，使得所述至少一個處理器實現如權利要求1-7任一項所述一種歷史文獻數字化方法。

9.一種存儲介質，其中存儲有處理器可執行的指令，其特征在于：所述處理器可執行的指令在由處理器執行時用于實現如權利要求1-7任一項所述一種歷史文獻數字化方法。