[发明专利]文档处理方法、装置、计算机设备和存储介质

权利要求书

1.一种文档处理方法，所述方法包括：

获取待处理的多个PDF文档；

提取各所述PDF文档中的文本信息和图片对象；

分别对所述图片对象进行图像识别，确定所述图片对象中的字符和图形；

获取所述字符在所述图片对象中第一位置信息，及所述图形在所述图片对象中的第二位置信息；

将所述字符和所述第一位置信息进行关联处理，将所述图形和所述第二位置信息进行关联处理，得到所述图片对象的图片信息；

将所述文本信息和图片信息关联作为各所述PDF文档的文档信息，并相应存储所述文档信息。

2.根据权利要求1所述的方法，其特征在于，所述图片对象包括表格图片对象，所述图形包括单元格图形；所述分别对所述图片对象进行图像识别，确定所述图片对象中的字符和图形，包括：

识别所述表格图片对象中的字符；

定位所述表格图片对象中的表格线；

确定由所述表格线交叉所形成的多个单元格图形；

所述将所述字符和所述第一位置信息进行关联处理，将所述图形和所述第二位置信息进行关联处理，得到所述图片对象的图片信息，包括：

根据所述第一位置信息和所述第二位置信息，确定所述单元格图形和所述字符的相对位置信息；

根据所述单元格图形和所述字符的相对位置信息，确定与所述表格图片对象对应的图片信息。

3.根据权利要求1所述的方法，其特征在于，所述方法还包括：

获取信息查询指令；所述信息查询指令携带查询文本；

从存储的所述文档信息中查询与所述查询文本相匹配的目标文本；

响应于所述信息查询指令，反馈所述目标文本。

4.根据权利要求3所述的方法，其特征在于，所述从存储的所述文档信息中查询与所述查询文本相匹配的目标文本，包括：

对所述查询文本进行分词处理，得到相应的词序列；

从所述词序列中筛选掉停用词，得到关键词词集；

根据所述关键词词集中的关键词，从存储的所述文档信息中查询与所述查询文本相匹配的目标文本。

5.根据权利要求3所述的方法，其特征在于，所述响应于所述信息查询指令，反馈所述目标文本，包括：

确定与所述目标文本相邻的上下文文本；

响应于所述信息查询指令，反馈所述目标文本和所述上下文文本；反馈的所述目标文本和所述上下文文本用于在客户端所提供的展示页面上进行展示。

6.根据权利要求3至5任一项所述的方法，其特征在于，所述方法还包括：

获取文档查看指令；

确定与所述目标文本相对应的PDF文档的文档标识；

获取所述目标文本在所述PDF文档中的位置信息；

响应于所述文档查看指令，反馈所述文档标识和所述位置信息。

7.一种文档处理装置，其特征在于，所述装置包括：

获取模块，用于获取待处理的多个PDF文档；

提取模块，用于提取各所述PDF文档中的文本信息和图片对象；

确定模块，用于分别对所述图片对象进行图像识别，确定所述图片对象中的字符和图形；

所述获取模块还用于获取所述字符在所述图片对象中第一位置信息，及所述图形在所述图片对象中的第二位置信息；

关联模块，用于将所述字符和所述第一位置信息进行关联处理，将所述图形和所述第二位置信息进行关联处理，得到所述图片对象的图片信息；

存储模块，用于将所述文本信息和图片信息关联作为各所述PDF文档的文档信息，并相应存储所述文档信息。

8.根据权利要求7所述的装置，其特征在于，所述装置还包括：

所述获取模块还用于获取信息查询指令；所述信息查询指令携带查询文本；

查询模块，用于从存储的所述文档信息中查询与所述查询文本相匹配的目标文本；

反馈模块，用于响应于所述信息查询指令，反馈所述目标文本。