[发明专利]一种完整识别PDF文件页眉页脚的技术

说明书

一种PDF文件页眉页脚识别的方法：解析PDF，得到PDF原始存储数据，根据每一页进行拆分。根据PDF页面内存储数据的顺序来识别页眉页脚；具体特征：在没有页眉页脚的情况下，PDF文档的数据是从上往下，从左往右开始逐个存储的，但是当有页眉页脚的情况下，PDF文档是先存储页眉再存储页脚，然后是正文数据部分。根据文档数据顺序以及页面最底端行数据的位置来获取页眉页脚。根据文本数据的距离底端的距离判断，另外对于纯图片格式的PDF文件，根据特征识别获取页眉页脚。包括以下步骤：查找页面头部和尾部的页眉页脚特征，根据多页的特征情况进行分析，对于多种页眉页脚形式进行分类。

技术领域：

本发明涉及到PDF(便携式文档格式)的一种页眉页脚数据分离的处理方法。

背景技术：

1.目前几乎所有的教育论文，上市公司公告都是以PDF文件格式发布于知网，上交所，深交所等渠道，这个格式方便了大家跨越设备去阅读，但是对于想要通过文档获取数据来说，提取这部分数据较为复杂，如大海捞针，并且也没有结构化的数据；

2.对PDF文件结构化提取的都要做的处理是切割出页眉页脚区域以规避对原文主要内容的污染；

3.对于纯图片格式的PDF文件来说，需要对页面内容进行图像识别(OCR) 获取到所有框线与文本坐标数据，以及文本内容；

4.对于正常格式的PDF文件来说，使用pdf.js等开源软件可获取解析PDF 文件后的数据，进一步提取可以获取到页面内的框线的数据以及文本内容和坐标数据。

发明内容：

本申请提供了PDF文档的页眉页脚识别方法与装置，主要分为两种处理方式：

1.正常格式的PDF文件处理

(1)获取PDF文件的原始解析数据；

(2)根据解析数据的顺序以及其离页面底部的距离来判断是否属于页眉页脚；

(3)对于在页面上半部分的属于页眉；

(4)对于在页面下半部分的属于页脚；

(5)对于页眉页脚中间区域过小的根据下面的算法进行重新获取。

2.纯图片或者非正常格式的页眉页脚识别

(1)查找页面头部和尾部的页眉页脚特征；

(2)根据多页的特征情况进行分析；

(3)对于多种页眉页脚形式进行分类。

附图说明：

为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图做简单的介绍，应当理解，以下附图仅展示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。

图1为本发明所述的一种完整识别PDF文件页眉页脚技术的流程图。

具体实施方法：

一、正常非纯图片(扫描件)格式的PDF文件

1.使用pdf.js开源软件获取解析PDF文件后的原始数据，按照解析后的数据的顺序提取文本的坐标数据。

坐标数据包括

x：离页面左边框的距离

y：离页面底端的距离

w：文本数据的宽度

h：文本数据的高度

2.判断是否存在页眉页脚：