[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

说明书

本申请公开了一种PDF目录识别方法及电子设备、计算机可读存储介质，其中PDF目录识别方法包括：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。根据本申请的PDF目录识别方法，能够提取PDF文件中可能包含目录信息的页面，准确识别出目录结构。

技术领域

本申请涉及文档处理技术领域，特别涉及一种PDF目录识别方法及电子设备、计算机可读存储介质。

背景技术

现有对于PDF目录的提取方法是对PDF文档的体系结构进行解析，获取PDF文档的交叉索引表；对所述交叉索引表进行检索，得到文件尾字典；对所述文件尾字典进行分析，得到键值最高权限用户对应的目录簿字典；对所述目录簿字典进行检索，获得所述PDF文档的目录。现有对于PDF目录的提取方法是基于PDF文档中存在目录字典不为空的提取，但是对于大多数PDF文档，目录字典为空，只存在纯粹的目录文本页面。

发明内容

本申请的目的在于至少解决现有技术中存在的技术问题之一，提供一种PDF目录识别方法，能够提取PDF文件中可能包含目录信息的页面，准确识别出目录结构。

根据本申请第一方面实施例的PDF目录识别方法，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。

根据本申请实施例的PDF目录识别方法，至少具有如下技术效果：提取PDF文件中可能包含目录信息的页面，针对PDF页面中的文本段落进行自定义的目录结构特征识别，通过数字队列与二值化矩阵扫描双重判定，极大提升了处理和辨别效率，能够有效和准确地识别出大部分PDF文件的目录页，尤其是对于纯粹的文本页面的目录结构能够有效与准确的进行识别。

根据本申请的一些实施例，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。

根据本申请的一些实施例，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。

根据本申请的一些实施例，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。

根据本申请的一些实施例，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；