[发明专利]一种PDF文件的信息抽取方法和装置

说明书

本发明公开了一种PDF文件的信息抽取方法和装置，涉及计算机技术领域。该方法的一具体实施方式包括：从PDF文件中获取文本对象的位置信息，将位置信息标记在图像上；其中，文本对象包括至少一个键名和对应的键值；根据图像的布局特征对图像进行分类，以基于图像类型确定键名和对应键值在PDF文件中的位置范围；按照键名的级别为键名之间建立关联关系，以结合键名和对应键值的位置范围，输出不同级别的键名和对应的键值。该方法通过将PDF文件中文本对象的位置标记在图像上，并根据布局特征对图像分类后，按照图像类型确定键名、相应键值的位置，建立各级键名之间的关联关系，进而结合位置和关联关系结构化输出键名和对应键值，提高了信息抽取性能。

技术领域

本发明涉及计算机领域，尤其涉及一种PDF文件的信息抽取方法和装置。

背景技术

为了方便用户从PDF文件中获取感兴趣的内容，需要对PDF文件的内容进行结构化处理，识别出每个标题对应的父子标题，内容片断，图表内容等信息，并将其有序组织起来。现有技术中，针对PDF文件的信息抽取，主要是通过工具包抽取纯文本和纯表格。抽取纯文本是指从整个PDF文件中抽取出所有的文本信息，抽取纯表格是指从整个PDF文件中抽取出与表格相关的文本信息。

在实现本发明过程中，发明人发现现有技术中至少存在如下问题：

无法确定各级标题的归属关系，标题与相应内容片断的位置对应关系，表格与相关文本的位置对应关系；无法过滤目录、注释等干扰信息。

发明内容

有鉴于此，本发明实施例提供一种PDF文件的信息抽取方法和装置，通过将PDF文件中文本对象的位置标记在图像上，并根据布局特征对图像分类后，按照图像类型确定键名、相应键值的位置，建立各级键名之间的关联关系，进而结合位置和关联关系结构化输出键名和对应键值，提高了信息抽取性能。

为实现上述目的，根据本发明实施例的一个方面，提供了一种PDF文件的信息抽取方法。

本发明实施例的一种PDF文件的信息抽取方法，包括：从PDF文件中获取文本对象的位置信息，将所述位置信息标记在图像上；其中，所述文本对象包括至少一个键名和对应的键值；根据所述图像的布局特征对所述图像进行分类，以基于图像类型确定所述键名和对应键值在所述PDF文件中的位置范围；按照所述键名的级别为所述键名之间建立关联关系，以结合所述键名和对应键值的位置范围，输出不同级别的所述键名和对应的键值。

可选地，所述将所述位置信息标记在图像上，包括：根据多个所述文本对象之间横坐标的异同，以及纵坐标间隔与预设第一阈值的差值，判断多个所述文本对象是否支持被抽象为归属于同一条线段的点；若多个所述文本对象支持被抽象为归属于同一条线段的点，则分别获取多个所述文本对象的横坐标的最值和纵坐标的最值，将所述最值对应的线段显示在至少一幅图像上。

可选地，对于左右布局的图像类型，所述确定所述键名和对应键值在所述PDF文件中的位置范围，包括：以字符为基本单元，将所述PDF文件的原始信息拆分为至少一个元素，将横坐标相同、纵坐标差值在预设第二阈值的元素组合成元素集；按照所述元素集的横坐标对所述元素集进行排序，以确定边界横坐标和位于所述边界横坐标之间的分界横坐标，将位于左边界横坐标和所述分界横坐标之间，且行间距大于预设第三阈值的元素集作为所述键名，确定所述键名在所述PDF文件的坐标区间；根据相邻两个所述键名的坐标区间，确定与其中一个所述键名对应的键值在所述PDF文件的坐标区间。

可选地，对于上下布局的图像类型，所述确定所述键名和对应键值在所述PDF文件中的位置范围，包括：以字符为基本单元，将所述PDF文件的原始信息拆分为至少一个元素，将位于同一行的元素组合成元素集；将起始横坐标位于所述PDF文件左侧，行间距大于预设第五阈值，和/或以冒号字符结尾的元素集作为所述键名，确定所述键名在所述PDF文件的坐标区间；根据相邻两个所述键名的坐标区间，确定与其中一个所述键名对应的键值在所述PDF文件的坐标区间。