[发明专利]一种用于期刊PDF文件中文章内容的解析方法

权利要求书

1.一种用于期刊PDF文件中文章内容的解析方法，其特征在于，包括下述步骤：

步骤一：解析参数预设值

针对学术期刊类文献解析和普通杂志类文章解析两类期刊，分别进行解析参数预设值；

步骤二：读取PDF文字内容

按页读取出PDF文件中的文字块，并且携带的起止位置坐标信息,将文字块存于字块列表中，在保存的时候，记录字符的起止点x坐标值，在后续处理中，根据起止点x坐标值，计算出字大小的特征；

步骤三：整理并接合

对步骤二读取的文字块逐级整理、接合，直到形成文章；

步骤九：形成文章列表

将前面步骤形成的文章插入文章列表，直到所有文字块都处理完毕。

2.如权利要求1所述的一种用于期刊PDF文件中文章内容的解析方法，其特征在于：所述的步骤三包括整理、定位片段位置、划分片段范围、获取文章片段内容、划分PDF页内容类型、接合五个步骤，

其中，整理步骤包括构建字串，字串包括以常用词为单位的词，以及该词的起止(x,y)坐标值，构建时首先在字块中用文字的y值判断是否同行，同行文字构建在一个字串内，不同行的文字构建为不同字串，然后同行文字中以文字的x值判断文字顺序，按照x值的顺序构建字串，按照上述顺序整理全部字块。

3.如权利要求2所述的一种用于期刊PDF文件中文章内容的解析方法，其特征在于：步骤四定位片段位置，包括

根据格式中规定的关键词来发现内容片段位置，多个字块构成行字串对象即行，多行构成片段，通过关键词检索的方式实现片段定位，本步骤所述的关键词是指文献规定的特定词，本步骤的片段是指文章不同构成的意思，即标题、摘要、关键词、正文、参考文献为不同片段。

4.如权利要求2所述的一种用于期刊PDF文件中文章内容的解析方法，其特征在于：所述的步骤五：划分片段范围，包括根据文章格式关键词行索引值划分主要文章片段，本步骤的片段是指文章不同构成的意思，即标题、摘要、关键词、正文、参考文献为不同片段。

5.如权利要求2所述的一种用于期刊PDF文件中文章内容的解析方法，其特征在于：所述的步骤六：获取文章片段内容，包括根据文章相邻格式关键词区分文章主要片段内容，所述的格式关键词是指按序出现的“摘要：”“关键词：”“中图分类号：”“参考文献”，相邻格式关键词之间的内容为这两个格式关键词中前一个格式关键词的内容，按照上述原则将文章全部内容归类到不同格式关键词下。

6.如权利要求2所述的一种用于期刊PDF文件中文章内容的解析方法，其特征在于：所述的步骤七：划分PDF页内容类型，文章解析类别有：一头一尾,只无尾的,无头无尾的,只无头页存在1个参考文献,只无头页存在两个参考文献,有头有多尾,有头有另一文献尾,无头一个其他尾；判断上述八种情况的标准为：1、PDF文件中的一个PDF页，有一篇文章标题，也有一个参考文献，就判定为一头一尾；2、PDF文件中的一个PDF页，有一篇文章标题，但没有参考文献，就判定为只无尾的；3、PDF文件中的一个PDF页，没有文章标题，也没有参考文献，就判定为无头无尾；4、PDF文件中的一个PDF页，没有文章标题，有一个参考文献，就判定为只无头页存在1个参考文献；5、PDF文件中的一个PDF页，没有文章标题，有两个参考文献，就判定为只无头页存在两个参考文献；6、PDF文件中的一个PDF页，有一篇文章标题，有两个参考文献，就判定为有头有多尾；7、PDF文件中的一个PDF页，有一篇文章标题，有转接页标识，之后有一个参考文献，就判定为有头有另一文献尾；8、PDF文件中的一个PDF页，没有文章标题，有转接页标识，之后有一个参考文献，就判定为无头一个其他尾。