[发明专利]一种政务元数据PDF文件的元数据抽取方法

权利要求书

1.一种政务元数据PDF文件的元数据抽取方法，其特征在于：包括以下步骤：

①政务元数据PDF文本：输入PDF文本，将PDF文本中的文本型数据转化成图像型数据，获取全图像型数据PDF文本；

②OCR文字识别：将全图像型数据PDF文本进行预处理，获取全图像型数据PDF文本的文字信息数据；

③文字模板识别：输入文字信息数据，提取字段信息数据，进行文字识别，完成元数据抽取。

2.如权利要求1所述的政务元数据PDF文件的元数据抽取方法，其特征在于：所述步骤①中，输入PDF文本，将PDF文本中的文本型数据转化成图像型数据，通过OCR文字识别引擎识别PDF文本的内容，获取全图像型数据PDF文本。

3.如权利要求1所述的政务元数据PDF文件的元数据抽取方法，其特征在于：所述步骤②分为以下步骤：

(2.1)文本输入：输入全图像型数据PDF文本；

(2.2)模糊处理：对全图像型数据PDF文本进行模糊判断，若全图像型数据PDF文本存在模糊图像，对模糊的图像进行处理，获取清晰的图像，执行步骤(2.3)；若全图像型数据PDF文本为清晰的图像，执行步骤(2.3)；

(2.3)二值化：对全图像型数据PDF文本进行二值化处理；

(2.4)去噪：对全图像型数据PDF文本进行去噪处理；

(2.5)倾斜校正：对全图像型数据PDF文本进行倾斜判断，若全图像型数据PDF文本倾斜，采用图像倾斜校正算法进行校正，获取无倾斜的全图像型数据PDF文本，进入步骤(2.6)；若全图像型数据PDF文本不倾斜，进入步骤(2.6)；

(2.6)文字切割：对全图像型数据PDF文本中的文本信息进行切分，将文本信息切分为单个字符；

(2.7)特征提取：采用网格化文字特征提取方法，通过归一处理，对字符进行特征提取，获取13维特征向量；

(2.8)特征匹配：将提取出来的字符13维特征向量与全字集特征库中的数据进行字符特征匹配，选取识别概率最大的一个字；

(2.9)纠错处理：对识别的文字进行纠错处理，若有错位，则更新全字集特征库，若无错位，进入步骤(1.10)；

(2.10)文字信息数据：获取文字信息数据。

4.如权利要求1所述的政务元数据PDF文件的元数据抽取方法，其特征在于：所述步骤③分为以下步骤：

(3.1)转化格式：输入文字信息数据，通过OCR文字识别引擎，转化成JSON数据格式；

(3.2)过滤文字信息数据：过滤文字信息数据中的无效字符；

(3.3)替换&：将文字信息数据分为定义、英文名称、数据类型、值域四个属性，将定义和值域替换为&，根据&进行切分，获取目标段落；

(3.4)遍历：遍历目标段落，同时模糊比对目标段落中是否存在“英文名称”、“数据类型”字眼，将满足条件的目标字段标志为待提取字段；

(3.5)切分待提取字段：将待提取的字段使用“：”进行切分，将定义、英文名称、数据类型的字符与其他内容进行切分；

(3.6)提取特定文本数据：采用目标识别的方法，对切分后的每一段的其他内容进行识别和提取，将满足条件的字段保存起来，舍弃长度小于3的字段组；

(3.7)JSON数据格式：将满足条件的字段采用重新装配的方式进行包装，分别添加上“定义”、“名称”、“数据类型”字段，形成新的JSON数据格式；

(3.8)元数据：完成元数据抽取。

5.如权利要求1所述的政务元数据PDF文件的元数据抽取方法，其特征在于：所述步骤③中，通过模板匹配的方式，抽取政务元数据PDF文件中的字段和属性值。

6.如权利要求4所述的政务元数据PDF文件的元数据抽取方法，其特征在于：所述步骤(3.2)中，无效字符包括空格和非法字符。

7.如权利要求4所述的政务元数据PDF文件的元数据抽取方法，其特征在于：所述其他内容为：除了定义、英文名称、数据类型之外的数据。