[发明专利]一种面向网络流传输的中文PDF文件文本内容提取方法

摘要

本发明属于网络信息处理技术领域，尤其是一种面向网络流传输的中文PDF文件文本内容提取方法。本发明包括：步骤A：提供给应用层逻辑的接口；步骤B：对应用层逻辑所解析的网络数据进行中文PDF文档文本内容提取。本发明通过对网络数据流传输的中文PDF文件内容提取各个步骤进行分析及优化，达到了整个系统在时间效率，空间效率上最大可能的优化，同时，避免了时延抖动这样有害现象的产生，使得该方法能够在不影响系统整体运行效率得情况下，运行于大流量的监管系统中。

主权项

1.一种面向网络流传输的中文PDF文件文本内容提取方法，其特征在于，包括下列步骤：步骤A：提供给应用层逻辑的接口；步骤B：对应用层逻辑所解析的网络数据进行中文PDF文档文本内容提取；步骤B1：应用层协议解析逻辑通过应用层协议的解析，识别协议所传输的PDF文件附件的内容，并提交给网络中文PDF文件文本提取逻辑，若当前状态为寻找内容流，则进入步骤B2，若当前状态为保存后续内容流，则进入步骤B4，初始的状态为寻找内容流；步骤B2：对PDF文件内容进行内容流的定位，实质上就是对当前偏移位置后的内容流标签的识别，初始偏移标签为输入数据包的开始位置，若偏移位到达输入末尾，则返回；步骤B3：若识别内容流标签，则缓存内容流，进入步骤B4，若无内容流标签，则进入步骤B8；步骤B4：识别内容流结束标签，若有，进入步骤B5，若无，则进行预解压和预识别，若不包含文本或转码映射文件，则丢弃，设置当前状态为寻找内容流，若包含文本或转码文件，则设置当前状态为保存后续内容流，进入步骤B8；步骤B5：解压内容流，对内容流中文本内容或是转码映射文件进行相应的提取以及保存，若内容流中为文本内容，则进入步骤B6，若为转码映射文件则进入步骤B7；步骤B6：将文本CID编码加入编码缓存队列；步骤B7：按照转码逻辑，分多次将转码队列中的CID编码转换成Unicode编码，将Unicode编码加入输出缓存；步骤B8：设置偏移位，进入步骤B2。