[发明专利]一种PDF文件解析方法

权利要求书

1.一种PDF文件解析方法，其特征在于，包括以下步骤：

根据设置或PDF文件包含的文本对象的信息，确定在PDF文件中识别出文本信息的方式；

根据确定的识别方式，识别出PDF文件中的文本信息和对应的布局信息；

根据PDF文件的属性信息，确定将PDF文件转换为何种类型的文件，具体为：

所述PDF文件的属性信息包括PDF文件的来源和/或PDF文件的页面信息，若所述PDF文件的属性信息包括PDF文件的来源，则通过该来源确定转换的类型，否则，通过PDF文件的页面信息确定转换的类型；所述通过PDF文件的页面信息确定转换的类型具体为：预设有若干页面信息与转换类型的对应关系，将PDF文件的页面信息对照该对应关系，确定PDF文件的转换类型；所述预设的若干页面信息与转换类型的对应关系为：若干页面尺寸与转换类型的对应关系，或者为若干页面尺寸比例与转换类型的对应关系；

将从PDF文件识别出的文本信息，根据布局信息，转换为上述确定的类型的文件。

2.如权利要求1所述的解析方法，其特征在于，所述根据PDF文件包含的文本对象的信息，确定在PDF文件中识别出文本信息的方式具体为：

通过判断PDF文件中，文本对象和/或图片对象的占比，以决定对PDF文件的识别方式。

3.如权利要求2所述的解析方法，其特征在于，所述通过判断PDF文件中，文本对象和/或图片对象的占比，以决定对PDF文件的识别方式具体为：

通过对PDF文件进行解析获取到文本对象和页面信息，根据文本对象对于文件页面的占比与预设占比阈值的关系，确定对PDF文件的解析方式。

4.如权利要求1所述的解析方法，其特征在于，所述根据PDF文件包含的文本对象的信息，确定在PDF文件中识别出文本信息的方式具体为：

通过参考至少一个以下文件参数以决定识别PDF文件的方式：图片对象的数量、图片对象对于页面尺寸的占比、文本对象的内容、文本对象的位置、文本对象的长度、文件是否包含有OCR文本或隐藏文本。

5.如权利要求4所述的解析方法，其特征在于，根据文本对象的内容确定在PDF文件中识别出文本信息的方式具体为：

判断文本对象的内容中是否包含关键字以决定对PDF文件进行识别的方式。

6.如权利要求1所述的解析方法，其特征在于，在识别PDF文件过程中，对于图片对象的识别具体为：先对图片对象进行图像增强处理，再进行解析。

7.如权利要求1所述的解析方法，其特征在于，所述页面尺寸比例为比值或阈值区间。