[發明專利]一種保留原生內容的OCR雙層文件生成方法

在審

• 申請號: 202210109987.5
• 申請日: 2022-01-28
• 公開（公告）號: CN114463758A
• 公開（公告）日: 2022-05-10
• 發明（設計）人: 瞿歡;陳欣;姬輝;何鵬飛
• 申請（專利權）人: 南京云檔信息科技有限公司
• 主分類號: G06V30/148
• 分類號: G06V30/148;G06N3/04
• 代理公司: 南京中盟科創知識產權代理事務所(特殊普通合伙) 32279
• 代理人: 孫麗君

本發明公開了一種保留原生內容的OCR雙層文件生成方法，該方法包括以下步驟：對原生文件進行計算、光學字符識別及存儲；獲取待使用文件，記錄文件id；根據所述文件id與頁碼，讀取對應的光學字符識別結果；根據用戶需求，返回不同類型結果。通過單獨存儲版式文件格式信息和OCR結果信息，在不改變原始數據內容的前提下提供“雙層”版式文件的使用，并且能靈活控制輸出“雙層”版式文件、“單文字層”版式文件和原生文件，從而不改變原始數據內容，原生文件原有的電子簽名以及區塊鏈信息等都不會改變，保證了數據的安全性和可靠性。

技術領域

本發明涉及文件處理技術領域，具體來說，涉及一種保留原生內容的OCR雙層文件生成方法。

背景技術

近年來，數字經濟快速發展成為中國經濟發展的新動能，越來越多的數據通過網絡交換并保存。版式文檔是網絡時代的“數字紙張”，指區別于流式文檔，在跨平臺、多系統下維持固定模式的辦公文檔，如pdf，ofd等。隨著數字經濟的成熟化發展，企業對數據信息安全的重視程度不斷上升。對版式文件進行電子簽名，區塊鏈等安全相關技術飛速發展。

已存在的電子數據(文件)中，有很大一部分是圖片形式，而對數據進行進一步處理，分析，應用的計算機程序(如搜索引擎，數據分析，OA系統等等)大部分主要使用的是文本信息，OCR技術應運而生。OCR，光學字符識別(Optical Character Recognition,OCR)是指對文本資料的圖像文件進行分析識別處理，獲取文字及版面信息的過程。亦即將圖像中的文字進行識別，并以文本的形式返回。

傳統技術下OCR流程為，掃描版式文件內容，生成文本信息，然后在原版式文件基礎上，加一層透明文字層，將文本信息結果按照識別的符號位置對原圖像層進行遮罩。這樣就形成”雙層“文件，底層是原數據層(圖像)，上層是透明文字層，人或程序使用時，主要通過文字層直接抽取相關文本信息使用。這種方式很好的解決了圖像文件的后續程序難以分析的問題，但同時也引入了一個致命的安全問題：這種做法從數據層面改變了原生文件數據，數據合法性無法得到保障，如果原文件有電子簽名或使用區塊鏈記錄，均會導致文件驗證不通過，原生文件的合法性完全喪失。

針對相關技術中的問題，目前尚未提出有效的解決方案。

發明內容

針對相關技術中的問題，本發明提出一種保留原生內容的OCR雙層文件生成方法，以克服現有相關技術所存在的上述技術問題。

為此，本發明采用的具體技術方案如下：

一種保留原生內容的OCR雙層文件生成方法，該方法包括以下步驟：

對原生文件進行計算、光學字符識別(OCR)及存儲；

獲取待使用文件，記錄文件id(fileId)；

根據所述文件的id與頁碼，讀取對應的OCR結果；

根據用戶需求，返回不同類型結果。

進一步的，所述對原生文件進行計算、OCR及存儲包括以下步驟：

從數據庫種讀取文件id；

按順序抽取原生文件中的每一個頁面；

識別并記錄當前頁面內容的版式，保存入庫；

對當前頁面內容進行OCR，保存入庫；

合并識別結果與OCR結果；

若原生文件存在下一頁，則繼續進行頁面識別與OCR。

進一步的，所述當前頁面的版式包括當前頁面的頁碼、寬及高。

進一步的，所述對當前頁面內容進行OCR包括以下步驟：

利用場景文字識別(EAST)算法對當前頁面內容進行文字檢測；