[发明专利]一种PDF文件的信息抽取方法及装置

权利要求书

1.一种PDF文件的信息抽取方法，其特征在于，包括：

针对PDF文件，分别获取所述PDF文件的每一页中的信息，并根据信息的类型，分别将每一页中的信息生成相应的树形结构；

针对每一页相应的树形结构，分别统计每一页相应的树形结构中每一个节点的信息，根据每一个节点的信息的位置、高度、宽度，分别从每一页中识别并抽取每一页中的标题、正文、图表标题、图表结尾，并根据预设规则，将图标标题和图标结尾进行配对；

汇总从每一页中识别并抽取的标题、正文、配对的图表标题和图表结尾，根据标题的高度和样式，对标题进行等级划分，并根据配对的图表标题和图表结尾的位置，分别从每一页中识别并抽取图表，以及分别将正文、图表映射到相应的标题和图表标题中，获得PDF文件的汇总结果；

根据PDF文件的汇总结果，生成所述PDF文件的结构化数据。

2.如权利要求1所述的方法，其特征在于，进一步包括：

获取PDF文件，并针对所述PDF文件按页分解，分别生成每一页对应的新的PDF文件；

分别获取每一页对应的新的PDF文件的宽度和高度；

按照每一页对应的新的PDF文件的宽度和高度，分别将每一页对应的新的PDF文件放大预设倍数后，转换成相应的图片。

3.如权利要求1或2所述的方法，其特征在于，分别统计每一页相应的树形结构中每一个节点的信息，根据每一个节点的信息的位置、高度、宽度，分别从每一页中识别并抽取每一页中的标题、正文、图表标题、图表结尾，具体包括：

分别统计每一页相应的树形结构中的行文本节点的位置和高度，确定每一页中正文的位置和高度；

分别统计每一页相应的树形结构在预设范围内的节点的信息，并将每一页中的预设范围内的信息进行对比，根据每一页中的预设范围内的信息的相似度，确定每一页的头部和尾部的位置；

根据每一页的头部和尾部的位置、每一页中正文的位置，分别从每一页中识别并抽取包含正文的主体文本；

从抽取的包含正文的主体文本中识别出标题，并将正文划分成各个段落；

根据预设的正则表达式，分别从每一页中识别并抽取图表标题和图标结尾。

4.如权利要求3所述的方法，其特征在于，分别统计每一页相应的树形结构中的行文本节点的位置和高度，确定每一页中正文的位置和高度，具体包括：

分别统计每一页相应的树形结构中的行文本节点的X轴偏移量和高度，将相同X轴偏移量和高度的行文本数量最大，对应的X轴偏移量和高度作为每一页中正文的X轴偏移量和高度；其中，位置至少包括相对于预设的坐标原点的X轴偏移量。

5.如权利要求3所述的方法，其特征在于，从抽取的包含正文的主体文本中识别出标题，并将正文划分成各个段落，具体包括：

根据高度、宽度、上下文本的距离是否有标题的标识，将符合预设策略的主体正文作为识别出的标题标题；其中，预设策略为以下一种或任意组合：高度大于正文高度+1且小于30、与上一个文本距离大于9且与下一个文本距离大于9且有标题标识、与上一个文本距离大于10且高度为正文高度且宽度小于下一行文本宽度的60％；

根据换行符节点的信息、上下文本距离和图表标题，将正文划分成各个段落；

针对识别并抽取出的标题和段落，根据设定的条件，将误识别的标题进行过滤。

6.如权利要求1、2、4或5所述的方法，其特征在于，根据标题的高度和样式，对标题进行等级划分，具体包括：

根据标题的样式，将标题的样式相同的标题归为一个类别，获得归于各个类别的标题；

根据标题的高度，按照标题的高度由大到小的顺序，确定各个类别的标题之间的等级关系，对标题进行等级划分。

7.如权利要求2所述的方法，其特征在于，根据配对的图表标题和图表结尾的位置，分别从每一页中识别并抽取图表，具体包括：

根据配对的图表标题和图表结尾的位置，确定图表是否跨页，若是，则分别计算跨页的图表在各个相应的页中的位置，否则，则分别计算每一页中的图表的位置；

根据图表的位置，分别从每一页相应的图片中识别并抽取图表，并针对跨页的图表进行拼接，获得最终的图表。

8.如权利要求1所述的方法，其特征在于，进一步包括：

根据实际需求，将所述PDF文件的结构化数据保存到相应的的数据库中。