[发明专利]一种PDF文件解析方法

说明书

本发明公开了一种PDF文件解析方法，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；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。通过该方案，可自动确定将PDF文件转换为何种类型的文件，以最大可能还原原文件的内容和格式，自动确定出对于PDF文件采用的解析方法，以平衡解析效果和算力资源。

技术领域

本发明涉及文件识别领域，尤其是一种PDF文件解析方法。

背景技术

PDF文件具有良好的格式稳定性和内容可读性，在文件传输、网页发布等领域具有广泛的应用。

但是，绝大多数PDF文件，出于格式兼容性及安全性考虑，多基于扫描文件生成，不具有可编辑性，在需要编辑文件内容时，往往需要将其转换为其他格式的文档，最常见的方式为转换为word格式的文档，该类方式已存在较多的应用，例如Adobe acrobat、迅捷PDF转换器等。

虽然现有设计可对PDF文件进行格式转换/内容识别，但是，其转换后的文件格式相对较单一，几乎都是转换为Word，而不同类型的文件-如Word、PPT、Excel图片-均可能生成PDF格式，如果均将PDF文件转换为Word格式，则一方面可能造成内容的不协调，不便于编辑，另一方面，还可能造成内容丢失、分段错误、文本识别错误。而对于编辑的需求考虑，以上任一项问题均会使转换效果失去价值。因此，需要一种根据原文件信息自动确定转换后文件类型的方案。

发明内容

本发明的发明目的在于：针对上述存在的问题，提供一种PDF文件解析方法，自动确定将PDF文件转换为何种类型，以最大可能还原文件的内容和格式。

本发明采用的技术方案如下：

一种PDF文件解析方法，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；

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。

进一步的，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。

进一步的，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。

进一步的，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。

进一步的，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。

进一步的，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。