[发明专利]文件处理方法、装置及设备

说明书

本申请实施例提供一种文件处理方法、装置及设备，该方法包括：获取第一文件，所述第一文件为第一格式；在所述第一文件中获取至少一个目标文件段，所述目标文件段的类型为预设类型，所述目标文件段为结构化文件段；对所述第一文件中的所述至少一个目标文件段进行标记处理，得到中间文件；将所述中间文件转换为第二格式的第二文件；根据所述至少一个目标文件段对所述第二文件进行结构化处理，得到结构化文件。提高了第二文件结构化处理的准确度。

技术领域

本申请涉及数字出版技术领域，尤其涉及一种文件处理方法、装置及设备。

背景技术

在出版行业中为了便于印刷出版，许多专业期刊的文献是用LaTeX(排版系统)的格式进行书写。

目前，将LaTeX文件转换为PDF(Portable Document Format，可携带文档格式)文件后，需要对PDF文件进行结构化处理，以便于存储和阅读。但是，由于LaTeX文件中的复杂对象(公式、表格)的编号以及文件中的引用与PDF文件中的内容并不是完全一样的，使得直接对转换后的PDF文件进行结构化处理时，复杂对象会出现排版错误的情况，进而导致对复杂对象结构化处理的准确度较低。

发明内容

本申请实施例提供一种文件处理方法、装置及设备，用于解决现有技术中复杂对象结构化处理准确度较低的技术问题。

第一方面，本申请实施例提供一种文件处理方法，该方法包括：

获取第一文件，所述第一文件为第一格式；

在所述第一文件中获取至少一个目标文件段，所述目标文件段的类型为预设类型，所述目标文件段为结构化文件段；

对所述第一文件中的所述至少一个目标文件段进行标记处理，得到中间文件；

将所述中间文件转换为第二格式的第二文件；

根据所述至少一个目标文件段对所述第二文件进行结构化处理，得到结构化文件。

在一种可能的实施方式中，在所述第一文件中获取至少一个目标文件段，包括：

对所述第一文件进行拆分处理，得到多个文件段；

获取每个文件段的类型，所述类型为如下任意一种：文本类型、公式类型、表格类型或图像类型；

根据每个文件段的类型，在所述第一文件中获取所述至少一个目标文件段，所述目标文件段的类型为公式类型或者表格类型。

在一种可能的实施方式中，根据每个文件段的类型，在所述第一文件中获取所述至少一个目标文件段，包括：

在所述多个文件段中获取第一文件段，所述第一文件段的类型为公式类型；

在所述多个文件段中获取第二文件段，所述第二文件段的类型为表格类型；

将所述第二文件段进行结构化处理，得到第三文件段；

确定所述至少一个目标文件段包括所述第一文件段和/或所述第三文件段。

在一种可能的实施方式中，对所述第一文件中的所述至少一个目标文件段进行标记处理，得到中间文件，包括：

在所述第一文件中确定每个目标文件段的起始位置和终止位置；

分别在每个目标文件段的起始位置和终止位置添加预设分隔符，以及对每个目标文件段进行渲染处理，得到所述中间文件。

在一种可能的实施方式中，根据所述至少一个目标文件段对所述第二文件进行结构化处理，得到结构化文件，包括：

在所述第二文件中确定第四文件段和第五文件段，所述第五文件段为进行渲染处理的文件段；