一种基于语义的PDF文档的处理方法及处理装置制造方法及图纸

本发明专利技术提供了一种基于语义的PDF文档的处理方法及处理装置。本发明专利技术涉及文件处理技术领域。所述处理方法，包括：获取PDF文档的对象模型；提取所述对象模型的目录簿；根据所述目录簿查找PDF的文章线索记录；对所述文章线索记录中的逻辑对象进行处理，得到完整连续的逻辑对象流。上述方案，通过依据逻辑对象对PDF文档进行处理，获取得到一篇PDF文档的完整语义，此种方式，可以依据语义对PDF文档进行提取，方便了使用者的阅读。

【技术实现步骤摘要】

本专利技术涉及文件处理
，特别涉及一种基于语义的PDF文档的处理方法及处理装置。
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；其次可通过设置权限，限制用户的内容打印、内容复制甚至是评论或批注的添加、修改或删除。PDF文档只供阅读，不能被修改，确保了内容的完整性与其他特性。从人们认知习惯的角度或从语义角度看，无论对于图书、期刊或杂志等纸质文档，还是其他电子格式出版的文档，其基本组成结构通常都是段落，特别是文字性的内容，其组织结构或对象类型都可以认为是段，段落之间的连续关系能够使一个PDF逻辑对象得以重现。在实际的排版过程中，一个语义上完整的逻辑对象，可能分到不同的页面中，形成了跨页的对象。常常会有这种情况，一篇文章，部分出现在第一页，而另外一部分却出现在第n页上，还有可能剩余的部分出现在第n+x页上，这些页面并不连续，但其表达的对象，也就是这篇文章却是一个整体。通常，对PDF文档的处理是逐页进行的，这样对跨页的对象的处理就成了一个问题，最常见的是跨页段落的连续性处理(连续性处理，针对的是逻辑上关联，属于同一个逻辑对象，而物理上被分割开的段落的处理，这些段落位于多个不连续的页面上，也就是说处于物理上的分割状态)，就是说一个完整的对象处于不同的PDF页面中时，如何将其重现，如何从语义上完整再现，成了一个问题。PDF文档通常包含多个内容对象，这一系列的内容对象，在许多情况下在逻辑上是关联的，但在物理上是分离的、不连续的。对PDF文档的逐页处理，不能有效地将一个完整的逻辑对象抽取出来。有效地处理好段落的连续性问题，可能助于逻辑对象的重现，有助于人们对PDF文档的理解，特别是有助于用户提取某一单独的PDF文档。
技术实现思路
本专利技术要解决的技术问题是提供一种基于语义的PDF文档的处理方法及处理装置，解决现有的PDF文档中一个语义上完整的逻辑对象，可能分到不同的页面中，形成了跨页的对象，在进行PDF文档处理时，不能有效地将一个完整的逻辑对象抽取出来的问题。为了解决上述技术问题，本专利技术实施例提供一种基于语义的PDF文档的处理方法，包括：获取PDF文档的对象模型；提取所述对象模型的目录簿；根据所述目录簿查找PDF的文章线索记录；对所述文章线索记录中的逻辑对象进行处理，得到完整连续的逻辑对象流。进一步地，所述提取所述对象模型的目录簿的步骤包括：获取所述对象模型的交叉索引表；根据所述交叉索引表，获取得到PDF文档的追踪字典；根据所述追踪字典，分析得到所述对象模型的目录簿。进一步地，所述根据所述追踪字典，分析得到所述对象模型的目录簿的步骤具体为：通过第一预设键值查找所述追踪字典，获取所述第一预设键值对应的对象，得到所述对象模型的目录簿。进一步地，所述目录簿包括：PDF文档的页面信息、页面对应的编码树、文档及PDF的大纲书签和所述PDF文档所拥有的逻辑对象信息。进一步地，所述根据所述目录簿查找PDF的文章线索记录的步骤具体为：在所述目录簿中通过第二预设键值，查找得到所述PDF文档的文章线索记录。进一步地，所述对所述文章线索记录中的逻辑对象进行处理，得到完整连续的逻辑对象流的步骤具体为：对所述文章线索记录中的每个文章线索对象，通过第三预设键值检索，得到第一个逻辑对象，从第一个逻辑对象开始，依次向后遍历所有逻辑对象，从而得到一个完整连续的逻辑对象流。本专利技术实施例还提供一种基于语义的PDF文档的处理装置，包括：获取模块，用于获取PDF文档的对象模型；提取模块，用于提取所述对象模型的目录簿；查找模块，用于根据所述目录簿查找PDF的文章线索记录；处理模块，用于对所述文章线索记录中的逻辑对象进行处理，得到完整连续的逻辑对象流。进一步地，所述提取模块，包括：第一获取单元，用于获取所述对象模型的交叉索引表；第二获取单元，用于根据所述交叉索引表，获取得到PDF文档的追踪字典；分析单元，用于根据所述追踪字典，分析得到所述对象模型的目录簿。进一步地，所述分析单元具体为：通过第一预设键值查找所述追踪字典，获取所述第一预设键值对应的对象，得到所述对象模型的目录簿。进一步地，所述查找模块具体为：在所述目录簿中通过第二预设键值，查找得到所述PDF文档的文章线索记录。进一步地，所述处理模块具体为：对所述文章线索记录中的每个文章线索对象，通过第三预设键值检索，得到第一个逻辑对象，从第一个逻辑对象开始，依次向后遍历所有逻辑对象，从而得到一个完整连续的逻辑对象流。本专利技术的有益效果是：上述方案，通过依据逻辑对象对PDF文档进行处理，获取得到一篇PDF文档的完整语义，此种方式，可以依据语义对PDF文档进行提取，方便了使用者的阅读。附图说明图1表示本专利技术实施例的处理方法的总体流程图；图2表示本专利技术实施例的处理装置的模块示意图。具体实施方式为使本专利技术的目的、技术方案和优点更加清楚，下面将结合附图及具体实施例对本专利技术进行详细描述。本专利技术针对现有的PDF文档中一个语义上完整的逻辑对象，可能分到不同的页面中，形成了跨页的对象，在进行PDF文档处理时，不能有效地将一个完整的逻辑对象抽取出来的问题，提供一种基于语义的PDF文档的处理方法及处理装置。如图1所示，本专利技术实施例的所述基于语义的PDF文档的处理方法，包括：步骤10，获取PDF文档的对象模型；步骤20，提取所述对象模型的目录簿；步骤30，根据所本文档来自技高网...

【技术保护点】
一种基于语义的PDF文档的处理方法，其特征在于，包括：获取PDF文档的对象模型；提取所述对象模型的目录簿；根据所述目录簿查找PDF的文章线索记录；对所述文章线索记录中的逻辑对象进行处理，得到完整连续的逻辑对象流。

【技术特征摘要】
1.一种基于语义的PDF文档的处理方法，其特征在于，包括：
获取PDF文档的对象模型；
提取所述对象模型的目录簿；
根据所述目录簿查找PDF的文章线索记录；
对所述文章线索记录中的逻辑对象进行处理，得到完整连续的逻辑对象流。
2.根据权利要求1所述的处理方法，其特征在于，所述提取所述对象模型
的目录簿的步骤包括：
获取所述对象模型的交叉索引表；
根据所述交叉索引表，获取得到PDF文档的追踪字典；
根据所述追踪字典，分析得到所述对象模型的目录簿。
3.根据权利要求2所述的处理方法，其特征在于，所述根据所述追踪字典，
分析得到所述对象模型的目录簿的步骤具体为：
通过第一预设键值查找所述追踪字典，获取所述第一预设键值对应的对象，
得到所述对象模型的目录簿。
4.根据权利要求2或3所述的处理方法，其特征在于，所述目录簿包括：
PDF文档的页面信息、页面对应的编码树、文档及PDF的大纲书签和所述PDF
文档所拥有的逻辑对象信息。
5.根据权利要求1所述的处理方法，其特征在于，所述根据所述目录簿查
找PDF的文章线索记录的步骤具体为：
在所述目录簿中通过第二预设键值，查找得到所述PDF文档的文章线索记
录。
6.根据权利要求1所述的处理方法，其特征在于，所述对所述文章线索记
录中的逻辑对象进行处理，得到完整连续的逻辑对象流的步骤具体为：
对所述文章线索记录中的每个文章线索对象，通过第三预设键...

【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