[发明专利]一种建立数字文档目录与正文之间链接的方法及装置

说明书

技术领域

本发明涉及文档处理技术领域，尤其涉及一种建立数字文档目录与正文之间链接的方法及装置。

背景技术

文档的目录可以用来索引文档，便于读者的检索和阅读。对于数字文档中，一般读者希望能够通过点击某个目录项，就可以跳转到对应该目录项的正文部分，从而可以提高读者查找内容的速度以及阅读的速度。

纸质文档中在文档的前面或者章节的中间部分会有版权页、目录页、前言、序、跋、附录和参考文档等非正文部分的内容，在具体的页码标记的过程中，一般都是每个内容都有各自的页码排序，例如对于目录页共有5页，按照其自身的页码排序方法分别为第一页到第五页，正文部分从第六页开始，但是按照其正文部分的排序该页为正文部分的第一页，并且目录中记录的该正文部分对应的页码也是第一页，但是该页码并不代表其真正的逻辑页码。

在纸质文档经过光学特征识别(Optical Character Recognition，OCR)转化为数字文档，或者通过文档处理软件，例如Adobe Acrobat或方正飞腾排版软件等，直接生成数字文档后，数字文档记录的都是每一页的逻辑页，即以数字文档为一个整体，每页在这个整体的位置。因此，数字文档的目录中记录的每个目录条目标记的该内容的自然页，与数字文档的逻辑页之间不存在对应关系。现有技术中建立数字文档的目录页与正文之间的链接一般都是通过人工手动完成，效率低、链接建立的速度慢，并且准确率也不高。

发明内容

有鉴于此，本发明实施例提供一种建立数字文档目录与正文之间链接的方法及装置，用以自动建立数字文档目录与正文之间链接，提高数字文档目录与正文之间链接建立的效率。

本发明实施例提供的一种建立数字文档目录与正文之间链接的方法，其中所述数字文档目录包含多个目录条目，每个目录条目包含至少一个目录项信息，所述数字文档的目录中记录的每个目录条目标记的内容的自然页，与数字文档的逻辑页之间不存在对应关系，建立该数字文档的目录与正文之间的链接的方法包括：从保存的每个目录条目中获取至少一个目录项信息，当获得的至少一个目录项信息为页码目录项信息时，按照预置的规则根据每个目录条目的页码目录项信息，确定所述每个目录条目对应的逻辑页所在的候选页，在每个候选页中提取有效信息，比较每个有效信息与该目录条目中的页码目录项信息是否相同，根据每个有效信息与所述页码目录项信息比较结果，确定每个候选页对应该目录条目的第一目录条目置信度，根据所述第一目录条目置信度确定每个目录条目对应的每个逻辑页，建立每个目录条目与对应的每个逻辑页之间的链接。

本发明实施例提供的一种建立数字文档目录与正文之间链接的方法，其中所述数字文档目录包含多个目录条目，每个目录条目包含至少一个目录项信息，所述数字文档的目录中记录的每个目录条目标记的内容的自然页，与数字文档的逻辑页之间不存在对应关系，建立该数字文档的目录与正文之间的链接的方法包括：从保存的每个目录条目中获取至少一个目录项信息，当获取的至少一个目录项信息为标题目录项信息时，根据每个目录条目中的标题目录项信息与每页数字文档中每行字符的相似度，确定该页数字文档中每行字符对应该标题目录项信息的第一目录项信息置信度，根据该页数字文档中每行字符的至少一个特征信息，确定该页数字文档中每行字符对应该标题目录项信息的第二目录项信息置信度，根据该页数字文档中每行字符对应该标题目录项信息的第一目录项信息置信度和第二目录项信息置信度，确定该页数字文档中每行字符对应该标题目录项信息的总目录项信息置信度，根据该页数字文档中每行字符对应该标题目录项信息的总目录项信息置信度，确定该页数字文档对应该目录条目的第二目录条目置信度，根据所述第二目录条目置信度确定每个目录项信息对应的每个逻辑页，建立每个目录条目与对应的每个逻辑页之间的链接。

本发明实施例提供的一种建立数字文档目录与正文之间链接的装置，其中所述数字文档目录包含多个目录条目，每个目录条目包含至少一个目录项信息，所述数字文档的目录中记录的每个目录条目标记的内容的自然页，与数字文档的逻辑页之间不存在对应关系，所述装置包括：

逻辑页识别模块，用于从保存的每个目录条目中获取至少一个目录项信息，根据所述至少一个目录项信息，在数字文档中确定每个目录条目对应的每个逻辑页；

链接建立模块，用于建立每个目录条目与对应的每个逻辑页之间的链接；其中，逻辑页识别模块包括：

第一识别单元，用于当获得的至少一个目录项信息为页码目录项信息时，在数字文档中确定每个目录条目对应的每个逻辑页；

第一识别单元包括：