[发明专利]一种PDF文件的信息抽取方法及装置在审

专利信息
申请号: 201710067220.X 申请日: 2017-02-06
公开(公告)号: CN106951400A 公开(公告)日: 2017-07-14
发明(设计)人: 兰任;马超;张道泉;赵继广 申请(专利权)人: 北京因果树网络科技有限公司
主分类号: G06F17/22 分类号: G06F17/22
代理公司: 北京同达信恒知识产权代理有限公司11291 代理人: 黄志华
地址: 100080 北京市海*** 国省代码: 北京;11
权利要求书: 查看更多 说明书: 查看更多
摘要: 发明涉及信息处理领域,尤其涉及一种PDF文件的信息抽取方法及装置,该方法为,针对PDF文件,分别将每一页中的信息生成相应的树形结构;分别统计每一页相应的树形结构中每一个节点的信息,从每一页中识别并抽取标题、正文、图表标题和图表结尾;进行汇总,对标题进行等级划分,并根据图表标题和图表结尾对图表进行抽取,分别将正文、图表映射到相应的标题和图表标题中,最终生成PDF文件的结构化数据,这样,可以对PDF文件中的标题、正文、图表等进行结构化抽取,进行精细解析和对图表信息的有效抽取,为实现行业研报垂直领域的搜索、信息精确定位及内容挖掘提供数据支持,极大的简化了用户分析研报内容的时间。
搜索关键词: 一种 pdf 文件 信息 抽取 方法 装置
【主权项】:
一种PDF文件的信息抽取方法,其特征在于,包括:针对PDF文件,分别获取所述PDF文件的每一页中的信息,并根据信息的类型,分别将每一页中的信息生成相应的树形结构;针对每一页相应的树形结构,分别统计每一页相应的树形结构中每一个节点的信息,根据每一个节点的信息的位置、高度、宽度,分别从每一页中识别并抽取每一页中的标题、正文、图表标题、图表结尾,并根据预设规则,将图标标题和图标结尾进行配对;汇总从每一页中识别并抽取的标题、正文、配对的图表标题和图表结尾,根据标题的高度和样式,对标题进行等级划分,并根据配对的图表标题和图表结尾的位置,分别从每一页中识别并抽取图表,以及分别将正文、图表映射到相应的标题和图表标题中,获得PDF文件的汇总结果;根据PDF文件的汇总结果,生成所述PDF文件的结构化数据。
下载完整专利技术内容需要扣除积分,VIP会员可以免费下载。

该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于北京因果树网络科技有限公司,未经北京因果树网络科技有限公司许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服

本文链接:http://www.vipzhuanli.com/patent/201710067220.X/,转载请声明来源钻瓜专利网。

×

专利文献下载

说明:

1、专利原文基于中国国家知识产权局专利说明书;

2、支持发明专利 、实用新型专利、外观设计专利(升级中);

3、专利数据每周两次同步更新,支持Adobe PDF格式;

4、内容包括专利技术的结构示意图流程工艺图技术构造图

5、已全新升级为极速版,下载速度显著提升!欢迎使用!

请您登陆后,进行下载,点击【登陆】 【注册】

关于我们 寻求报道 投稿须知 广告合作 版权声明 网站地图 友情链接 企业标识 联系我们

钻瓜专利网在线咨询

周一至周五 9:00-18:00

咨询在线客服咨询在线客服
tel code back_top