[发明专利]一种PDF文本段落生成的方法

说明书

技术领域

本发明涉及信息技术，更具体地说，涉及一种PDF文本段落生成的方法。

背景技术

便携式文件格式(Portable Document Format，PDF)，由Adobe Systems在1993年用于文件交换所发展出的文件格式。它的优点在于跨平台、能保留文件原有格式(Layout)、开放标准。在PDF格式文件中，记录了文本元素的精确位置，而文本之间没有任何关系，该格式不易编辑。

PDF文本格式以其卓越的特性成为在互联网上进行电子文档发行和格式化信息传播的理想文件格式。当前，在互联网发布的科技论文大部分以PDF格式提交。但是，PDF重在描述文档的打印格式，没有描述原始文档内的数据结构，并且不易编辑。如果需要引用第三方的PDF文本中的内容，目前通行的办法是手动拷贝出文字，然后再放入其它字处理软件中手动排版、编辑，这种操作费时费力。

目前，一般通过排版软件本身的能力导出XML文件，该XML文件都包含PDF文章的内容信息，不同的排版软件输出的内容可能不同，但多数的排版软件并不导出文字块的位置信息，使得PDF文章的信息不完整，往往需要通过手工的方式进行补充，效率非常低。由于多数排版软件可以生成PDF格式的文件，大量的历史数据是基于PDF的，所以基于PDF的解析应用面很广。例如，公开号为CN1687926A的专利申请公布了一种“基于XML的PDF文本信息的抽取系统和方法”，主要是把PDF文本的物理结构转换为逻辑结构，但并没有进行文本成段落和成文的处理；再例如，公开号为CN1776673A的专利申请公开了一种“PDF文本到XML文档转换的方法”，通过第三方的工具把PDF转为平级的XML文档，再通过XSLT结合规则提起XML中的信息，其应用的前提是PDF页面本身比较简单，结构较为一致，使用简单的XPATH的规则就可以提取XML信息，并不适用复杂的多栏页面。又例如，公开号为CN160403A的专利申请公开了“一种对报纸页面进行文字阅读顺序恢复的方法”，是对PDF文本进行文本成文的处理，但并没有涉及到文字块的生成和合并的规则和整个提取内容和位置等信息的流程。再例如，公开号为CN101206639的专利申请公开了“一种PDF数据标引的方法”，是对复杂页面的PDF提供文字块和文章的提取，但是其过程中合并了文字块的字体和字号，导致转换后效果失真，并且在合并文字块后需要采用人工干预才能识别块与块之间的关系，无法自动识别块之间的逻辑关系，而且成块的规则生成的结果无法写入RTF格式。

发明内容

本发明要解决的技术问题在于，针对现有技术的上述在引用第三方的PDF文本进行编辑排版时，费时费力的缺陷，提供一种PDF文本段落生成的方法，可以省时省力地完成编辑和排版。

本发明解决其技术问题所采用的技术方案是：构造一种PDF文本段落生成的方法，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。

在本发明所述的PDF文本段落生成的方法中，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。

在本发明所述的PDF文本段落生成的方法中，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。

在本发明所述的PDF文本段落生成的方法中，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。

在本发明所述的PDF文本段落生成的方法中，所述步骤B包括：