[发明专利]一种深度解析PDF研报的方法

权利要求书

1.一种深度解析PDF研报的方法，其特征在于，包括以下步骤：

步骤S1.基本解析，读取PDF得到基础元素；所述基础元素包括字符元素、曲线元素、直线元素、图元素和矩形元素；各基础元素的空间范围都采用矩形范围描述，建立坐标轴，确定各基础元素矩形范围的坐标值(x₀,x₁,y₀,y₁)，其中，x₀表示横坐标最小值，x₁表示横坐标最大值，y₀表示纵坐标最小值，y₁表示纵坐标最大值；

步骤S2.基本布局分析，将所有字符元素聚类成文本行，然后通过文本行聚类找到主文本块；

步骤S3.复杂聚类分析，在主文本块中准确定位表格范围和曲线图范围；

步骤S4.提炼主要文本内容，过滤掉主文本块中位于表格范围和曲线图范围的文本行后，对主文本块中剩余的文本行排序，即可得到主要文本内容。

2.如权利要求1所述的深度解析PDF研报的方法，其特征在于，步骤S2中，字符元素聚类成文本行的流程为：

步骤S2101.选择两字符元素做聚类分析，满足聚类条件后，形成文本行，得到文本行对应矩形范围的坐标值；

步骤S2102.文本行与其他字符元素继续做聚类分析，不断扩大文本行范围；

步骤S2103.字符元素聚类结束后确定文本行的最终范围。

3.如权利要求2所述的深度解析PDF研报的方法，其特征在于：步骤S2中，文本行聚类成主文本块的流程为：

步骤S2201.对所有文本行按宽度排序，选择宽度最大的文本行作为主文本块的参考文本行；

步骤S2202.参考文本行和其它文本行做聚类分析，满足聚类条件后，形成主文本块，得到主文本块对应矩形范围的坐标值；

步骤S2203.主文本块继续和其它文本行做聚类分析，不断更新主文本块范围；

步骤S2204.文本行聚类结束后确定主文本块的最终范围。

4.如权利要求2或3所述的深度解析PDF研报的方法，其特征在于，所述聚类分析的具体流程为：

步骤S2301.计算两矩形范围A,B的横向距离d_x,A,B，则有

d_x,A,B＝min(|x_0,A-x_1,B|,|x_1,A-x_0,B|) (1)；

其中，|x_0,A-x_1,B|表示A的x₀与B的x₁相减的绝对值，|x_1,A-x_0,B|表示A的x₁与B的x₀相减的绝对值；min表示极小值运算，|x_0,A-x_1,B|与|x_1,A-x_0,B|的极小值为A，B横向距离；

步骤S2302.计算两矩形范围A,B的纵向距离d_y,A,B，则有

d_y,A,B＝min(|y_0,A-y_1,B|,|y_1,A-y_0,B|) (2)；

其中，|y_0,A-y_1,B|表示A的y₀与B的y₁相减的绝对值，|y_1,A-y_0,B|表示A的y₁与B的y₀相减的绝对值；|y_0,A-y_1,B|与|y_1,A-y_0,B|的极小值为A,B纵向距离；

步骤S2303.判断两矩形范围A,B是否纵向交叠o_y,A,B，则有

其中，当A的y₀大于B的y₁,或者A的y₁小于B的y₀时，A和B纵向不交叠；其它情况下，A和B纵向交叠；

步骤S2304.判断两矩形范围A,B是否横向交叠o_x,A,B，则有

其中，当A的x₀大于B的x₁,或者A的x₁小于B的x₀时，A和B横向不交叠；其它情况下，A和B横向交叠；

步骤S2305.判断两矩形范围A,B是否满足聚类条件jl_A,B，则有

其中，当A和B横向交叠且纵向距离小于阈值t_l则聚类,竖向排成列；当A和B纵向交叠且横向距离小于阈值t_l则聚类，横向排成行；其它情况下不聚类；

步骤S2306.两矩形范围A，B如果满足聚类条件，组合后的矩形坐标(x_0,A,B,x_1,A,B,y_0,A,B,y_1,A,B)按如下公式计算：

(x_0,A,B,x_1,A,B,y_0,A,B,y_1,A,B)＝(min(x_0,A,x_0,B),max(x_1,A,x_1,B),min(y_0,A,y_0,B),max(y_1,A,y_1,B)) (6)；

其中，组合后的x₀为A的x₀与B的x₀中的极小值；组合后的x₁为A的x₁与B的x₁中的极大值；组合后的y₀为A的y₀与B的y₀中的极小值；组合后的y₁为A的y₁与B的y₁中的极大值。