[发明专利]获取PDF注释信息的方法及装置

说明书

本申请提供了一种获取PDF注释信息的方法及装置，所述方法可从FDF文档中获取注释信息，通过解析FDF文档可直接获取到存储在FDF文档中存储有PDF文档的注释信息。其中，所述FDF文档数据格式是类似于PDF文档结构的数据格式类型，FDF文档格式完全兼容PDF文档格式定义的所有数据类型，且是大多数PDF阅读产品能够兼容的数据格式。在不同的PDF文档之间进行数据传递时，由于注释信息存储在与PDF文档数据结构类似的FDF文档中，使得注释信息提取更加方便且可避免产生数据失真的问题。

技术领域

本申请涉及信息提取领域，具体而言，涉及一种获取PDF注释信息的方法及装置。

背景技术

注释信息是指人们在阅读过程中，通过PDF阅读工具添加的对PDF文档某些内容的看法或回复他人的看法。这些注释信息对于日后的再利用具有重要的意义。同一PDF，同一内容，不同的使用者可能给出不同的注释信息。

PDF的安全性首先保证了PDF文档不能被编辑，至少不能被轻易修改，PDF格式设计的初衷不是用来编辑的，对PDF文件内的小部分变动可能问题不大，但对PDF文档中的整块文字或影像的修改就相当困难，即便使用市场上的有关工具，也无法避开这类限制，其次可通过设置权限，限制用户的内容打印、内容复制甚至是评论或批注的添加、修改或删除。

注释作为一个相对独立的内容块存放在PDF文档中，由于PDF格式自身的上述特点，这导致了直接使用某些注释信息不大现实，尤其是对PDF注释信息进行提取、传输是一件相当困难的事情。

现有技术将提取出的PDF注释信息通过XML格式存储，需要对XML格式的注释信息进行转换才能在PDF文档间进行传输，而在转换过程中就会存在数据失真的情况。

发明内容

为了解决上述问题，本申请实施例提供一种获取PDF注释信息的方法及装置。

第一方面，本申请实施例提供一种获取PDF注释信息的方法，所述方法包括：

解析FDF文档，读取所述FDF文档的第一交叉索引表，其中，FDF文档存储有对所述PDF文档进行注释的注释信息；

在所述第一交叉索引表中进行查找，查找所述FDF文档中的第一Trailer字典；

在查找到所述第一Trailer字典后，查找所述第一Trailer字典中的第一Root字典项；

在查找到第一Root字典项后，查找所述第一Root字典项中的FDF字典项；

在查找到FDF字典项后，查找所述FDF字典项中的Annots数组，得到存储在FDF文档中的注释信息。

可选地，在本实施例中，在解析FDF文档之前，所述方法还包括，从所述PDF文档中提取所述注释信息的步骤，所述步骤包括：

解析所述PDF文档，读取所述PDF文档中的第二交叉索引表；

在所述第二交叉索引表中进行查找，查找所述PDF文档中的第二Trailer字典；

在查找到第二Trailer字典后，查找所述第二Trailer字典的第二Root字典项，获取到Catalog字典；

在查找到Catalog字典后，查找所述Catalog字典的Pages字典项，获取到页面树Pages Root；

检索Pages Root得到多个页面字典，依次检索每一个页面字典，并从每一个页面字典的Annots字典项获取注释信息；

将获取到的注释信息以FDF文档的格式存储。

可选地，在本实施例中，在将获取到的注释信息以FDF文档的格式存储之前，所述方法还包括：