一种处理PDF文件的方法及装置制造方法及图纸

本发明专利技术提供了一种处理PDF文件的方法及装置，其中，方法包括：获取所需页面；获取所述所需页面中的内容流对象；解析所述内容流对象得到所需段落。本方案提供的所述处理PDF文件的方法通过获取所需页面，进而获取所述所需页面中的内容流对象，然后解析所述内容流对象得到所需段落，可以完整的获取PDF文件中的段落，保留原有的架构，解决了技术中在PDF文件处理过程中段落不能够被完整抽取出来的问题。

【技术实现步骤摘要】

本专利技术涉及文件处理
，特别是指一种处理PDF文件的方法及装置。
技术介绍
PDF全称PortableDocumentFormat，即“便携文档格式”，是一种电子文档格式。这种格式与操作平台无关，跨平台特点突出，可在几乎所有的平台上使用。这一特性使它成为在Internet上进行电子文档发行和数字化信息传播的首选文档格式。越来越多的图书文献资料首选PDF作为其电子发布的形式，如电子图书、产品说明、公司公告、网络资料、电子邮件等。PDF格式已成为用于将信息数字化的一个事实上的工业标准。PDF格式有其鲜明的技术特色，如跨平台性优越；可集成多种媒体信息出版和发布，可集成超文本链接、声音及动态影像等电子信息；提供了对网络信息发布的支持。其中，在PDF的可信可靠，维护信息完整性与一致性及保持信息安全性上，最为使用者所称道的则是其安全性，数字签名或使用密码保护。而其他格式则很容易地可以修改或编辑。PDF的安全性首先保证了PDF文档不能被编辑，至少不能被轻易修改；其次可通本文档来自技高网...

【技术保护点】
一种处理PDF文件的方法，其特征在于，包括：获取所需页面；获取所述所需页面中的内容流对象；解析所述内容流对象得到所需段落。

【技术特征摘要】
1.一种处理PDF文件的方法，其特征在于，包括：
获取所需页面；
获取所述所需页面中的内容流对象；
解析所述内容流对象得到所需段落。
2.如权利要求1所述的方法，其特征在于，获取所需页面的步骤包括：
抽取PDF文档对象模型；
在所述PDF文档对象模型中查找目录对象；
在所述目录对象中通过第一预设键值查找页面树对象；
在所述页面树对象中查找第二预设键值所对应的对象，得到一个页面数组；
通过所述页面数组中的数据，索引到所需页面。
3.如权利要求1所述的方法，其特征在于，获取所述所需页面中的内容流
对象的步骤包括：
处理所述所需页面的内容得到所述所需页面的页面对象；
从所述页面对象中获取第三预设键值对应的所述所需页面的内容流对象。
4.如权利要求1所述的方法，其特征在于，解析所述内容流对象得到所需
段落的步骤包括：
从所述内容流对象中获取第四预设键值与第五预设键值之间的内容；
从所述第四预设键值与第五预设键值之间的内容中获取以第六预设键值引
导的预设键值对之间的内容项对象；
从所述内容项对象中获取预设括号对包裹的所需段落的内容。
5.如权利要求4所述的方法，其特征在于，解析所述内容流对象得到所需
段落的步骤还包括：
若所述预设括号对与所述第六预设键值之间存在预设标记，则将获取的该
内容项对应的内容附加到上一个内容项对应的内容中，构成完整的段落。
6.一种处理PDF文件的装置，其特征在于，包括：
第一获取模块，用于获取所需页面；
第二获取...

【专利技术属性】
技术研发人员：刘利川，郑程光，孙伟丰，罗正海，李浩，
申请(专利权)人：北大方正集团有限公司，北大方正信息产业集团有限公司，
类型：发明
国别省市：北京;11