[发明专利]一种可扩展的PDF文件内容提取方法及系统

说明书

本发明提供了一种可扩展的PDF文件内容提取方法及系统，包括数据获取模块、数据传输模块、文件格式转化模块以及文件输出模块。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。本发明可以转换PDF文件内容中的文本与图片，能够使用系统识别代替人工录入的方式，减少人工录入差错，可将非结构化数据转变为方便业务应用处理的结构化数据，提升业务处理效率。

技术领域

本发明属于数字化技术应用领域，具体涉及一种可扩展的PDF文件内容提取方法及系统。

背景技术

PDF是Portable Document Format的简称，意为“可携带文档格式”。以PostScript语言图形模型为基础，在多种打印机都可以保证精确的颜色和准确的打印效果。

PDF是一种电子文件格式，与操作系统无关，在Windows、Unix或者MacOS操作系统中都能准确表现内容样式。其优点有以下几点：

①跨平台，适合阅读；

②提交小，易传输；

③支持安全加密，常用于公文流转；

④支持高压缩图片，支持矢量图形。

基于上述PDF文件的描述，在管理系统中，会经常使用PDF格式的文件存储科研项目、专利、论文、软件著作等内容，且大部分内容都同时含有图片和文字。因目前管理系统中常规的文本导入只能导入文本文档、WORD、EXCEL等文件，对于PDF格式的文件无法正常识别内容，导致录入PDF文件内容需要人工手动录入系统，效率很低。

对于科技项目管理任务编制，录入计划任务书，因任务书大部分都是PDF格式，按照正常操作，需要人工录入项目的课题信息和参与人员。而每个项目需要录入大量的数据，包括课题信息、参与人员等，其中参与人员少则几十条，多则上百条，人工手动一个个录入会耗费大量人力，不但费事费力，还容易出错。

发明内容

为克服上述现有技术的不足，本发明提出一种可扩展的PDF文件内容提取方法及系统，能够使用系统识别代替人工录入的方式，减少人工录入差错，可将非结构化数据转变为方便业务应用处理的结构化数据，提升业务处理效率。

本发明提供的技术方案如下：

本发明提供了一种可扩展的PDF文件内容提取方法，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。

优选的，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。