[发明专利]PDF文字提取方法和装置

说明书

本发明适用于文字识别技术领域，提供了一种PDF文字提取方法和装置，所述方法包括：获取PDF页面中的各个文本对象的第一编码、字形位图、内嵌信息和字体信息；根据所述文本对象的字体信息判断所述文本对象的字体类型得到第一判断结果，根据所述文本对象的内嵌信息判断所述文本对象是否内嵌在所述PDF页面中得到第二判断结果；根据所述第一判断结果和所述第二判断结果对所述文本对象进行提取。本发明实现了提高PDF文字提取的正确率，并且不需要将所有PDF文字进行OCR识别，节约了PDF文字提取的时间。

技术领域

本发明属于文字识别技术领域，尤其涉及PDF文字提取方法和装置。

背景技术

PDF是Portable Document Format(可移植文档格式)的缩写，是由Adobe公司开发的一种开放式的电子文件格式。PDF由PostScript(附言)编程语言发展而来，而PostScript编程语言当前依然作为主流的打印机编程语言广泛应用于专业出版领域。PDF大量延续了PostScript编程语言中的页面描述方式，采用了PostScript编程语言中定义的字符编码方式。

PDF文字提取是提取出PDF文件中包括的文字信息，并通过系列的信息处理过程，将所述文字信息转换为便于编辑的文件格式，如Word(文字)、PowerPoint(演示文稿)、Excel(表格)、RTF(Rich Text Format，多文体格式)等。目前，对PDF的文字提取有两种方法，一种是利用OCR(Optical Character Recognition，光学字符识别)技术将PDF转换成图像，经过版面分析、段落划分和文字识别将结果输出，此方法的所有PDF的文字信息都要进行OCR识别，不仅浪费时间，还会出现引入错误，存在识别率不够高的问题；另一种方法是利用PDF文件进行解析，提取文字编码，但是在PDF文件中，存在字符编码和显示的字符不对应的情况，导致该方法提取的字符不准确。例如，PDF格式规范定义了部分字体的编码到Unicode(统一码)编码的映射，但仍然有部分PDF字体无法实现由字体编码到Unicode编码的映射，所以字符编码和显示的字符不对应，识别率也不理想。

发明内容

有鉴于此，本发明实施例提供了一种PDF文字提取方法和装置，以解决现有技术中PDF文字提取的正确率低，并且所有PDF文字都进行OCR识别花费了大量时间的问题。

本发明实施例的第一方面提供了一种PDF文字提取方法，包括：

获取PDF页面中的各个文本对象的第一编码、字形位图、内嵌信息和字体信息；

根据所述文本对象的字体信息判断所述文本对象的字体类型得到第一判断结果，根据所述文本对象的内嵌信息判断所述文本对象是否内嵌在所述PDF页面中得到第二判断结果；

根据所述第一判断结果和所述第二判断结果对所述文本对象进行提取。

可选的，所述根据所述第一判断结果和所述第二判断结果对所述文本对象进行提取具体为：

若所述第一判断结果中所述文本对象的字体类型为第一字体类型，所述文本对象的字形位图进行OCR识别并得到所述文本对象的第一提取结果；

若所述第一判断结果中所述文本对象的字体类型为第二字体类型，且所述第二判断结果中所述文本对象不是内嵌在所述PDF页面中，则所述文本对象的第一编码为所述文本对象的第二提取结果；

若所述第一判断结果中所述文本对象的字体类型为第二字体类型，且所述第二判断结果中所述文本对象是内嵌在所述PDF页面中，所述文本对象的字形位图进行所述OCR识别并得到所述文本对象的第三提取结果。

可选的，所述文本对象的字形位图进行OCR识别并得到所述文本对象的第一提取结果具体为：

所述文本对象的字形位图进行所述OCR识别得到所述文本对象的第二编码和第一识别可信度；