[发明专利]一种保留原生内容的OCR双层文件生成方法

说明书

本发明公开了一种保留原生内容的OCR双层文件生成方法，该方法包括以下步骤：对原生文件进行计算、光学字符识别及存储；获取待使用文件，记录文件id；根据所述文件id与页码，读取对应的光学字符识别结果；根据用户需求，返回不同类型结果。通过单独存储版式文件格式信息和OCR结果信息，在不改变原始数据内容的前提下提供“双层”版式文件的使用，并且能灵活控制输出“双层”版式文件、“单文字层”版式文件和原生文件，从而不改变原始数据内容，原生文件原有的电子签名以及区块链信息等都不会改变，保证了数据的安全性和可靠性。

技术领域

本发明涉及文件处理技术领域，具体来说，涉及一种保留原生内容的OCR双层文件生成方法。

背景技术

近年来，数字经济快速发展成为中国经济发展的新动能，越来越多的数据通过网络交换并保存。版式文档是网络时代的“数字纸张”，指区别于流式文档，在跨平台、多系统下维持固定模式的办公文档，如pdf，ofd等。随着数字经济的成熟化发展，企业对数据信息安全的重视程度不断上升。对版式文件进行电子签名，区块链等安全相关技术飞速发展。

已存在的电子数据(文件)中，有很大一部分是图片形式，而对数据进行进一步处理，分析，应用的计算机程序(如搜索引擎，数据分析，OA系统等等)大部分主要使用的是文本信息，OCR技术应运而生。OCR，光学字符识别(Optical Character Recognition,OCR)是指对文本资料的图像文件进行分析识别处理，获取文字及版面信息的过程。亦即将图像中的文字进行识别，并以文本的形式返回。

传统技术下OCR流程为，扫描版式文件内容，生成文本信息，然后在原版式文件基础上，加一层透明文字层，将文本信息结果按照识别的符号位置对原图像层进行遮罩。这样就形成”双层“文件，底层是原数据层(图像)，上层是透明文字层，人或程序使用时，主要通过文字层直接抽取相关文本信息使用。这种方式很好的解决了图像文件的后续程序难以分析的问题，但同时也引入了一个致命的安全问题：这种做法从数据层面改变了原生文件数据，数据合法性无法得到保障，如果原文件有电子签名或使用区块链记录，均会导致文件验证不通过，原生文件的合法性完全丧失。

针对相关技术中的问题，目前尚未提出有效的解决方案。

发明内容

针对相关技术中的问题，本发明提出一种保留原生内容的OCR双层文件生成方法，以克服现有相关技术所存在的上述技术问题。

为此，本发明采用的具体技术方案如下：

一种保留原生内容的OCR双层文件生成方法，该方法包括以下步骤：

对原生文件进行计算、光学字符识别(OCR)及存储；

获取待使用文件，记录文件id(fileId)；

根据所述文件的id与页码，读取对应的OCR结果；

根据用户需求，返回不同类型结果。

进一步的，所述对原生文件进行计算、OCR及存储包括以下步骤：

从数据库种读取文件id；

按顺序抽取原生文件中的每一个页面；

识别并记录当前页面内容的版式，保存入库；

对当前页面内容进行OCR，保存入库；

合并识别结果与OCR结果；

若原生文件存在下一页，则继续进行页面识别与OCR。

进一步的，所述当前页面的版式包括当前页面的页码、宽及高。

进一步的，所述对当前页面内容进行OCR包括以下步骤：

利用场景文字识别(EAST)算法对当前页面内容进行文字检测；