[发明专利]一种PDF文件的信息抽取方法和装置

摘要

本发明公开了一种PDF文件的信息抽取方法和装置，涉及计算机技术领域。该方法的一具体实施方式包括：从PDF文件中获取文本对象的位置信息，将位置信息标记在图像上；其中，文本对象包括至少一个键名和对应的键值；根据图像的布局特征对图像进行分类，以基于图像类型确定键名和对应键值在PDF文件中的位置范围；按照键名的级别为键名之间建立关联关系，以结合键名和对应键值的位置范围，输出不同级别的键名和对应的键值。该方法通过将PDF文件中文本对象的位置标记在图像上，并根据布局特征对图像分类后，按照图像类型确定键名、相应键值的位置，建立各级键名之间的关联关系，进而结合位置和关联关系结构化输出键名和对应键值，提高了信息抽取性能。

主权项

1.一种PDF文件的信息抽取方法，其特征在于，包括：从PDF文件中获取文本对象的位置信息，将所述位置信息标记在图像上；其中，所述文本对象包括至少一个键名和对应的键值；根据所述图像的布局特征对所述图像进行分类，以基于图像类型确定所述键名和对应键值在所述PDF文件中的位置范围；按照所述键名的级别为所述键名之间建立关联关系，以结合所述键名和对应键值的位置范围，输出不同级别的所述键名和对应的键值。