[发明专利]一种可扩展的PDF文件内容提取方法及系统

权利要求书

1.一种可扩展的PDF文件内容提取方法，其特征在于，包括：

将需要转换的PDF文件上传至预先配置的存储服务器中；

将所述PDF文件的指定位置上传到所述存储服务器中；

通过所述存储服务器中的PDF转换服务将所述PDF文件转化为文本格式的文件；

将所述的文本格式的文件上传到所述指定位置，同时返回给所述存储服务器相关信息。

2.如权利要求1所述的方法，其特征在于，所述PDF转换服务包括：

提取所述PDF文件中的文本和形状；

解析所述PDF文件中的页面布局；

解析所述PDF文件中段落的格式；

判断所述PDF文件中是否具有表格；

当所述PDF文件中没有表格的时候，根据所述PDF文件中的页面布局将所述PDF文件中的文本和形状、段落的格式制作成所述的文本格式的文件；

当所述PDF文件中具有表格的时候，解析所述PDF文件中的表格，并根据所述PDF文件中的页面布局将所述PDF文件中的文本和形状、段落的格式、表格制作成所述的文本格式的文件。

3.如权利要求2所述的方法，其特征在于，所述PDF文件中的文本包括文本块和图片块，所述的提取所述PDF文件中的文本和形状，包括：

将所述PDF文件中的文本作为第一类基本数据，将所述PDF文件中的形状作为第二类基本数据；

将第一类基本数据中的所述图片块整合到所述文本块中，并将每一个所述文本块和每一个所述图片块分别作为一个块元素；

增加布局参数，所述布局参数用于保存所述PDF文件中段落的格式；

将所述第二类基本数据作为形状元素。

4.如权利要求3所述的方法，其特征在于，所述制作成所述的文本格式的文件之前，还包括：

判断所述PDF文件中是否具有超链接；

当所述PDF文件中没有超链接的时候，不操作；

当所述PDF文件中具有超链接的时候，提取所述PDF文件中的超链接得到超链接文本，将所述超链接文本插入到对应文本块的对应位置中。

5.如权利要求3所述的方法，其特征在于，所述解析所述PDF文件中的页面布局，包括：

将页面中的内容按照流式布局顺序分为至少一个节；

每一个所述节具有至少一个分栏；

每一个所述分栏均具有至少一个所述块元素或者所述形状元素或者两者结合。

6.如权利要求2所述的方法，其特征在于，所述PDF文件中的表格包括：显式表格和隐式表格；

所述显式表格具有边框线；

所述隐式表格没有边框线。

7.如权利要求6所述的方法，其特征在于，所述解析所述PDF文件中的表格，包括：

当所述表格为显式表格的时候，根据表格的边框线确定表格结构，再根据所述表格结构获取单元格属性和单元格内容；

当所述表格为隐式表格的时候，根据所述PDF文件中的文本确定边框线，再根据表格的边框线确定表格结构，并根据所述表格结构获取单元格属性和单元格内容。

8.如权利要求3所述的方法，其特征在于，所述的解析所述PDF文件中段落的格式，包括：

根据相邻的两个所述块元素的竖直方向的距离确定段间距；

根据所述块元素的高度和内部行数确定行间距；

根据段落左缩进和制表符确定缩进；

通过解析内部对齐关系得到内部对齐方式，通过解析外部对齐关系得到外部对齐方式。

9.如权利要求8所述的方法，其特征在于，所述解析内部对齐关系得到内部对齐方式，包括：

判断所述块元素具有多行或者只有一行；

当所述块元素具有多行，设置设定的对齐方式确定所述内部对齐方式；

当所述块元素只有一行，根据所述块元素的中心与页面中心的差值确定所述内部对齐方式。