[发明专利]文档处理方法、装置、计算机设备和存储介质

说明书

本申请涉及一种文档处理方法、装置、计算机设备和存储介质。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。采用基于数据处理的本方法能够提高PDF文档处理效率。

技术领域

本申请涉及计算机技术领域，特别是涉及一种文档处理方法、装置、计算机设备和存储介质。

背景技术

随着计算机技术的发展，越来越多的文档格式被开发出来并被广泛使用着，比如PDF(Portable Document Format，便携式文档格式)格式的文档。现在越来越多的专业资料、电子图书、产品说明和电子邮件等在开始使用PDF格式的文件。这样，当需要对多个PDF文档进行数据分析时，常常会碰到需要查找文档中内容的情况。

传统的方式是必须要打开这个PDF文档，通过查找功能，输入关键字去查找，才能找到相应的内容。但如果用户一开始并不知道要搜索的关键字存在于哪个PDF文档中，那么就需要手动打开很多的PDF文档，一个个分别去搜索，这样会是一个很大的工作量，导致PDF文档处理效率低。

发明内容

基于此，有必要针对上述技术问题，提供一种能够提高PDF文档处理效率的文档处理方法、装置、计算机设备和存储介质。

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。

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。

一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：

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；