[发明专利]一种PDF文本段落生成的方法

权利要求书

1.一种PDF文本段落生成的方法，其特征在于，包括：

A.识别并提取PDF文本的文字块；

B.剔除不同层中重复的文字块，并且确定文本行，所确定的文本行组成文本行集合；

C.将所述文本行集合进行水平方向划分，得到一个或多个第一文本，所述一个或多个第一文本组成第一文本集合；然后对第一文本集合中的每个第一文本分别进行垂直方向划分，分别得到一个或多个第二文本，所述一个或多个第二文本组成第二文本集合，提取第二文本集合中一个或多个第二文本之间的空白区域以组成空白区域集合；

D.合并第一文本集合中两相邻的第一文本，以得到文本排版行；

E.划分合并后的文本排版行，以形成文本排版列和文本段落。

2.根据权利要求1所述的PDF文本段落生成的方法，其特征在于，在步骤A中，建立旋转角度分别为0、90、180、270度四个方向的文字块集合，并且以递增量建立数组索引来提取PDF文本的文字块。

3.根据权利要求2所述的PDF文本段落生成的方法，其特征在于，所提取的文字块包括文字块的基准线、外围矩形、字体、字号、颜色和角度。

4.根据权利要求1所述的PDF文本段落生成的方法，其特征在于，步骤A中，识别PDF文本的文字块包括：

A1.判断PDF文本中的字符是否是英文字符，若是，则执行步骤A3；若否，则执行步骤A2；

A2.所述字符是一个文字块；

A3.判断两相邻字符的间距是否小于字体大小与第一间距系数的乘积，且判断所述两相邻字符的字体、字号、颜色是否相同，若是，则所述两相邻字符属于同一文字块；若否，则所述两相邻字符不属于同一文字块。

5.根据权利要求1所述的PDF文本段落生成的方法，其特征在于，所述步骤B包括：

B1.获取相同索引值或相邻索引值的两个文字块，若所述两个文字块的文字块内容相同且所述两文字块的间距小于字体大小与第二间距系数的乘积，则删除其中一个文字块，并将剩下的文字块放到文字块集合中；

B2.建立一个空文本行，将文字块集合中的文字块按数组索引值大小依次放入到该空文本行中，以生成文本行集合；且在同一文本行中，相同索引值或相邻索引值的两文字块满足：两文字块的基准线距离小于字体大小与第一基准线差距系数的乘积，及两文字块的水平间距小于字体大小与第二基准线差距系数的乘积。

6.根据权利要求5所述的PDF文本段落生成的方法，其特征在于，所述步骤C包括：

C1.将所述文本行集合中的文本行按文本行的上边界值从小到大的顺序依次排列；

C2.逐个比较两相邻的文本行，若两相邻的文本行在Y轴方向的投影相交，则放到同一个第一文本中；

C3.分别将每个第一文本中的文本行按文本行的左边界值从小到大的顺序排列；

C4.逐个比较两相邻的文本行，若两相邻的文本行在X轴方向的投影相交，则放到同一个第二文本中；

C5.提取第二文本集合中一个或多个第二文本之间的空白区域，以组成空白区域集合。

7.根据权利要求1所述的PDF文本段落生成的方法，其特征在于，所述步骤D包括：第一次合并第一文本集合中两相邻的第一文本，第一次合并的条件是两相邻的第一文本存在数目相同的空白区域且所对应的空白区域在X轴方向的投影相交。

8.根据权利要求7所述的PDF文本段落生成的方法，其特征在于，所述步骤D中还包括：在第一次合并之后，进行第二次合并，以得到文本排版行，所述第二次合并的合并条件是两相邻第一文本的空白区域在X轴方向的投影相交。