[发明专利]PDF目录识别方法及电子设备、计算机可读存储介质

权利要求书

1.一种PDF目录识别方法，其特征在于，包括：

获取PDF文档的每个页面的原始文本段落集合；

根据每一所述原始文本段落集合的数字队列，得到符合目录结构特征的当前文本段落集合；

将所述当前文本段落集合转换成至少一个二值化矩阵；

扫描每个所述二值化矩阵，得到扫描结果；

根据所述扫描结果，确定当前页面为目标目录页面。

2.根据权利要求1所述的PDF目录识别方法，其特征在于，所述获取PDF文档的每个页面的原始文本段落集合包括：

提取所述PDF文档的每个页面的每一行文本作为文本段落；

将同一页面的全部所述文本段落设置为所述原始文本段落集合。

3.根据权利要求2所述的PDF目录识别方法，其特征在于，所述获取PDF文档的每个页面的原始文本段落集合还包括：

提取每一所述原始文本段落集合的每一个所述文本段落的结尾项；

去除所述结尾项为非数字的所述文本段落，以更新所述原始文本段落集合。

4.根据权利要求2所述的PDF目录识别方法，其特征在于，所述将所述当前文本段落集合转换成至少一个二值化矩阵包括：

将所述当前文本段落集合的每一个所述文本段落进行排序，得到排序后的当前文本段落集合；

将排序后的当前文本段落集合进行分类，得到至少一个子段落集合；

根据每个所述子段落集合，得到至少一个所述二值化矩阵，其中，所述子段落集合与所述二值化矩阵一一对应。

5.根据权利要求4所述的PDF目录识别方法，其特征在于，所述将所述当前文本段落集合的每一个所述文本段落进行排序，得到排序后的当前文本段落集合包括：

提取所述当前文本段落集合的每一个所述文本段落的字体大小、字体粗细及文本段落缩进信息；

根据所述字体大小、字体粗细及文本段落缩进信息，得到每一个所述文本段落的权值；

根据所述权值对全部所述文本段落进行分组排序，得到排序后的当前文本段落集合。

6.根据权利要求4所述的PDF目录识别方法，其特征在于，所述根据每个所述子段落集合，得到至少一个所述二值化矩阵包括：

对每个所述子段落集合的每个所述文本段落进行遍历；

将每个所述文本段落遍历遇到的圆点字符设置为数字1，将非圆点字符设置为数字0；

将同一所述子段落集合的每个所述文本段落的遍历结果整合，得到m*n的所述二值化矩阵，其中，m为所述文本段落的长度，n为每个所述子段落集合的所述文本段落总数。

7.根据权利要求6所述的PDF目录识别方法，其特征在于，所述扫描每个所述二值化矩阵得到扫描结果包括：

扫描每个所述二值化矩阵的最后一列；

若所述二值化矩阵的最后一列均为数字1，则扫描所述二值化矩阵的每一行；

若所述二值化矩阵的每一行均符合从最后一次扫描到的数字0开始至结尾均为数字1，则确定所述二值化矩阵符合目录结构特征；

若所述二值化矩阵符合目录结构特征，则得到所述扫描结果。

8.根据权利要求1所述的PDF目录识别方法，其特征在于，所述PDF目录识别方法还包括：

获取所述目标目录页面的所述文本段落；

为每一所述文本段落设置对应的页面跳转链接。

9.一种电子设备，其特征在于，包括：

至少一个处理器，以及，

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器执行所述指令时实现如权利要求1至8任一所述的PDF目录识别方法。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行如权利要求1至8任一项所述的PDF目录识别方法。