[发明专利]一种识别PDF文档中水印的方法

说明书

技术领域

本发明属于PDF文件内容处理与分析的技术领域，本发明涉及一种识别 PDF 文件中水印的方法。

背景技术

PDF文档中经常出现水印用于标识该文档的版权、状态或其他附加信息，比如页面背景带“草稿”字样，提示文档未正式发表。PDF内容提取场景，如转换为其他格式（Word文档）或针对文字内容进行分析处理等，都需要识别水印信息，以免将它们混入正文干扰内容解析。

PDF格式标准中并没有独立的“水印”概念，水印内容同样是通过PDF命令绘制，即将文档记录的颜色、字体、大小、位置、透明度等指令显示在页面上，与正文数据操作完全相同，所以无法直接通过程序解读和区分水印信息。

然而，人眼却可以很容易辨别出水印：从构成角度看，水印可分为文字和图片（PDF格式中的位图Bitmap，下面不再赘述）两种；一般会显示相同或有规律的内容，并与正文有明显的风格（字体、字号等）差别；出现位置可以是正文下方作为内容背景，也可以是半透明状态覆盖在正文之上；另外水印通常都在页面特定位置出现，每页或至少正文页面都有。基于这些观察，本发明提出一种方法，利用水印显示规律自动识别PDF文档页面上的水印。

发明内容

本发明所要解决的技术问题是提供一种识别 PDF文件中的水印的方法，能够解析页面上的水印内容并标识其所在位置 。

本发明解决上述技术问题的技术方案如下。

步骤1：提取PDF文字、位图元素内容及位置信息，根据位置计算指纹并计数。指纹是从内容中（此处即是位置）提取的关键信息，可以代表所指向的内容，相同指纹可以统计出现次。

步骤2：筛选（计数 > 页数 / 2）的指纹集合，查找相应指纹位置的元素。

步骤3：遍历备选指纹，如果指纹对应的都是文字元素，则进行步骤4处理；对应均为位图元素则进入步骤5。

步骤4：提取该指纹对应的文字，如果相同或满足递增、递减规律则判定为文字水印。

步骤5：提取指纹对应的位图，如果相同则判定为图片水印。

在以上处理流程中，还涉及通过元素位置坐标参数，生成文本指纹方法；文字元素相同通过字体、字号、颜色、旋转参数综合对比判断；文字内容递增递减规律通过差分方法判断；相同图片对比位图md5哈希值方法判断等实施细节。

本发明的有益效果是：通过遍历PDF文件提取文本和位图元素，利用位置信息生成指纹。指纹生成方法在后面介绍。由于PDF文档按页显示内容，不同页面但同一位置的页面元素，可以通过条件（计数 > 页数 / 2）筛选出来，它们是潜在的水印。然后，针对备选指纹及指纹对应的内容判断，如果是文本内容，需要判断是否相同，或者满足某种变化规律，这是因为某些文本水印会附带页码、日期、项目编号等规律信息，满足条件则判定为水印；否则是图片内容，则直接判断位图数据是否相同，是则判定为图片水印。本发明利用指纹（计数）处理，避免存储、计算图文内容信息本身，节省分析开销。此外，针对文本、图片水印分别进行内容判断，可以大大拓展识别算法的适用性，提高识别率。

在上述处理流程中，本发明还阐述了位置指纹生成方法，相同/规律文字及相同图片判断条件等细节，综合解决PDF文档水印识别问题。

附图说明

图 1为本发明提出的识别 PDF文件中水印的方法的流程图。

具体实施方式

以下结合附图对本发明的原理和特征进行描述， 所举实例只用于解释本发明， 并非用于限定本发明的范围。

图 1为本发明提出的识别 PDF文件中的水印的方法的流程图。这里PDF是 Portable Document Format的缩写，意为便携文件格式，是一种电子文件格式，PDF文件指的是采用PDF格式的电子文件。该格式常用于保存和分发复杂排版的文档，名称中的便携（Portable）是指在各种硬件设备和软件平台上都可以获得相同的排版效果，因此特别适合用于要求准确显示、不可修改的文档。正因为这种不可修改的特性，生成文档时常常会添加水印，作用与纸质水印类似。本发明中，PDF文件中的水印可以是文字或图片（位图），出现在文档页面的固定位置，标识文档的版权、状态或其他附加信息。

如图1所示， 该方法包括。

步骤 101 : 提取PDF文字、位图元素内容及位置信息，根据位置计算指纹并计数。指纹是从内容中（此处即是位置）提取的关键信息，可以代表所指向的内容，相同指纹可以统计出现次。