[发明专利]一种PDF文档的文本提取方法和装置有效
| 申请号： | 201510754036.3 | 申请日： | 2015-11-09 |
| 公开（公告）号： | CN105335346B | 公开（公告）日： | 2018-12-04 |
| 发明（设计）人： | 楼永植 | 申请（专利权）人： | 汉王科技股份有限公司;中国新闻出版研究院 |
| 主分类号： | G06F17/25 | 分类号： | G06F17/25 |
| 代理公司： | 暂无信息 | 代理人： | 暂无信息 |
| 地址： | 100193 北京*** | 国省代码： | 北京;11 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | 本发明公开了一种PDF文档的文本提取方法和装置，所述方法包括：根据PDF文档中各字符的显示空间获得所述各字符的排版空间；若当前字符的排版空间与前一字符的排版空间间隔的距离大于第一预设阈值时，在所述当前字符的排版空间之前插入空格。本发明避免了采用现有排版软件导出PDF文档后提取的文本中英文字符连接在一起的现象，提高了PDF文档的文本提取的准确性和可靠性。 | ||
| 搜索关键词： | 一种 pdf 文档 文本 提取 方法 装置 | ||
【主权项】：
1.一种PDF文档的文本提取方法，其特征在于，所述方法包括：获取PDF文档中各字符的显示空间；计算所述显示空间中各字符的栅格区域，其中，所述栅格区域为显示空间中各字符的像素宽度；增大所述栅格区域后获取所述各字符的排版空间，其中，确定所述PDF文档的排版方式为横版时，所述像素宽度包括像素宽度左边界和像素宽度右边界，所述增大所述栅格区域包括：将所述像素宽度左边界向左增大第二预设阈值；以及将所述像素宽度右边界向右增大第三预设阈值；确定所述PDF文档的排版方式为竖版时，所述像素高度包括像素高度上边界和像素高度下边界，所述增大所述栅格区域包括：将所述像素高度上边界向上增大第四预设阈值；以及将所述像素高度下边界向下增大第五预设阈值；判断相邻字符的排版空间之间的间隔是否大于第一预设阈值，若是，则在所述相邻字符的排版空间之间插入空格。
下载完整专利技术内容需要扣除积分，VIP会员可以免费下载。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于汉王科技股份有限公司;中国新闻出版研究院，未经汉王科技股份有限公司;中国新闻出版研究院许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/patent/201510754036.3/，转载请声明来源钻瓜专利网。
