一种识别PDF文档中水印的方法技术

本发明专利技术涉及一种识别PDF文件中水印的方法。步骤1：提取PDF文字、位图元素内容及位置信息，根据位置计算指纹并计数；指纹是从内容中（此处即是位置）提取的关键信息，可以代表所指向的内容，相同指纹可以统计出现次；步骤2：筛选（计数>页数/2）的指纹集合，查找相应指纹位置的元素；步骤3：遍历备选指纹，如果指纹对应的都是文字元素，则进行步骤4处理；对应均为位图元素则进入步骤5；步骤4：提取该指纹对应的文字，如果相同或满足递增、递减规律则判定为文字水印；步骤5：提取指纹对应的位图，如果相同则判定为图片水印。在上述处理框架中，本发明专利技术还阐述了位置指纹生成方法，文字内容规律判断方法及相同图片判断方法等实施细节，综合提高PDF文档水印的识别率，为提取、分析内容等后续处理做准备。

【技术实现步骤摘要】
一种识别PDF文档中水印的方法
本专利技术属于PDF文件内容处理与分析的
，本专利技术涉及一种识别PDF文件中水印的方法。
技术介绍
PDF文档中经常出现水印用于标识该文档的版权、状态或其他附加信息，比如页面背景带“草稿”字样，提示文档未正式发表。PDF内容提取场景，如转换为其他格式（Word文档）或针对文字内容进行分析处理等，都需要识别水印信息，以免将它们混入正文干扰内容解析。PDF格式标准中并没有独立的“水印”概念，水印内容同样是通过PDF命令绘制，即将文档记录的颜色、字体、大小、位置、透明度等指令显示在页面上，与正文数据操作完全相同，所以无法直接通过程序解读和区分水印信息。然而，人眼却可以很容易辨别出水印：从构成角度看，水印可分为文字和图片（PDF格式中的位图Bitmap，下面不再赘述）两种；一般会显示相同或有规律的内容，并与正文有明显的风格（字体、字号等）差别；出现位置可以是正文下方作为内容背景，也可以是半透明状态覆盖在正文之上；另外水印通常都在页面特定位置出现，每页或至少正文页面都有。基于这些观察，本专利技术提出一种方法，利用水印显示规律自动识别PDF文档页面上的水印。
技术实现思路
本专利技术所要解决的技术问题是提供一种识别PDF文件中的水印的方法，能够解析页面上的水印内容并标识其所在位置。本专利技术解决上述技术问题的技术方案如下。步骤1：提取PDF文字、位图元素内容及位置信息，根据位置计算指纹并计数。指纹是从内容中（此处即是位置）提取的关键信息，可以代表所指向的内容，相同指纹可以统计出现次。步骤2：筛选（计数>页数/2）的指纹集合，查找相应指纹位置的元素。步骤3：遍历备选指纹，如果指纹对应的都是文字元素，则进行步骤4处理；对应均为位图元素则进入步骤5。步骤4：提取该指纹对应的文字，如果相同或满足递增、递减规律则判定为文字水印。步骤5：提取指纹对应的位图，如果相同则判定为图片水印。在以上处理流程中，还涉及通过元素位置坐标参数，生成文本指纹方法；文字元素相同通过字体、字号、颜色、旋转参数综合对比判断；文字内容递增递减规律通过差分方法判断；相同图片对比位图md5哈希值方法判断等实施细节。本专利技术的有益效果是：通过遍历PDF文件提取文本和位图元素，利用位置信息生成指纹。指纹生成方法在后面介绍。由于PDF文档按页显示内容，不同页面但同一位置的页面元素，可以通过条件（计数>页数/2）筛选出来，它们是潜在的水印。然后，针对备选指纹及指纹对应的内容判断，如果是文本内容，需要判断是否相同，或者满足某种变化规律，这是因为某些文本水印会附带页码、日期、项目编号等规律信息，满足条件则判定为水印；否则是图片内容，则直接判断位图数据是否相同，是则判定为图片水印。本专利技术利用指纹（计数）处理，避免存储、计算图文内容信息本身，节省分析开销。此外，针对文本、图片水印分别进行内容判断，可以大大拓展识别算法的适用性，提高识别率。在上述处理流程中，本专利技术还阐述了位置指纹生成方法，相同/规律文字及相同图片判断条件等细节，综合解决PDF文档水印识别问题。附图说明图1为本专利技术提出的识别PDF文件中水印的方法的流程图。具体实施方式以下结合附图对本专利技术的原理和特征进行描述，所举实例只用于解释本专利技术，并非用于限定本专利技术的范围。图1为本专利技术提出的识别PDF文件中的水印的方法的流程图。这里PDF是PortableDocumentFormat的缩写，意为便携文件格式，是一种电子文件格式，PDF文件指的是采用PDF格式的电子文件。该格式常用于保存和分发复杂排版的文档，名称中的便携（Portable）是指在各种硬件设备和软件平台上都可以获得相同的排版效果，因此特别适合用于要求准确显示、不可修改的文档。正因为这种不可修改的特性，生成文档时常常会添加水印，作用与纸质水印类似。本专利技术中，PDF文件中的水印可以是文字或图片（位图），出现在文档页面的固定位置，标识文档的版权、状态或其他附加信息。如图1所示，该方法包括。步骤101:提取PDF文字、位图元素内容及位置信息，根据位置计算指纹并计数。指纹是从内容中（此处即是位置）提取的关键信息，可以代表所指向的内容，相同指纹可以统计出现次。每个对象都包含显示的位置信息，可以表示为矩形，通过右下角位置坐标（x,y）和宽高（w,h）参数确定。然后将位置转换为指纹字符串“x,y,w,h”，其中每项数字都转为字符串，截断若干小数位降低匹配敏感度。举例说明，某坐标为（12.3212,20.6833），宽高分别为（45.5000,100.7300）的文字元素，得到指纹：“12.3,20.6,45.5,100.7”，这里保留一位小数。提取过程中，如果指纹再次出现则计数累加。最后，计数代表某个位置上元素出现了几次。通过指纹转换和截断小数点的方法，可以节约比较计算开销，同时忽略特别小的位置偏移，因为源头上计算机无法精确存储浮点型数据，所以引入截断机制可以提高本步骤的容错性。步骤102：筛选（计数>页数/2）的指纹集合，查找相应指纹位置的元素。本步骤筛选计数大于一半文档页数的指纹集合。步骤101已经解释过计数的含义，多个页面同一位置出现元素是水印的特征。设定数量大于一半页数，是因为某些具有装订线的文档，相邻页水印位置对称分布（隔页相同）；另一方面，通常封面和底页不带有水印。实践中还可以人工指定该阈值以更适合识别场景。查找相应指纹位置的元素，同一指纹一般对应多个元素，在后续步骤中进一步判断。步驟103:遍历备选指纹，如果指纹对应得都是文字元素，则进行步骤105处理，否则进入步骤104。本步骤中的"遍历"是一种计算机运算形式，指的是沿着某条搜索路线，依次对集合中每个结点均做一次且仅做一次访问。遍历的方法以及上述的集合的概念属于计算机领域的公知常识，在此不做赘述。由于文本和位图处理方式不同，我们将满足位置条件的元素分为两类处理。指纹对应计数的内容均为文字元素，则满足条件，转入105继续进行内容检测。步骤104：如果指纹对应得都是位图元素，则进行步骤106。本步骤是103的后继判断，如果同一指纹对应元素既有文本又有位图也说明不是水印，尽管这种情况非常少见。步骤105：提取该指纹对应的文字，如果相同或满足递增、递减规律则判断为文字水印。步骤101至103主要着眼于元素位置，缩小判断范围，本步骤判断对应文字元素本身信息。首先，检查文字风格，包括文本字体，字号，颜色、旋转参数相同则继续判断。而后针对文字内容，如果完全相同，则判定为水印，如果不同，但是存在满足递增、递减规律的数字则判定为水印。其中，文字风格和内容是PDF格式固有信息，正是依赖这些指令，文档才得以精确显示。数字判断可以使用正则表达式，该算法是计算机领域的广泛使用的字符串处理方案，不再详细解释。递增、递减数字判断是通过差分计算获得，原理是数学中的等差数列。步骤106：提取指纹对应的位图，如果相同则判断为图片水印。PDF格式中的位图是以原始数据（二进制）方式存储，无论是文档多处引用，还是将同一位图多次存储（较少见），总能提取图片数据。为了比较图片数据相同，我们对图片数据做md5运算，计算该数据的摘要，摘要相同则说明是相同位图，判定为水印。其中，md5算法可以对数据生成一组128位本文档来自技高网...

【技术保护点】
一种识别PDF文件中水印的方法，其特征在于该方法包括：步骤1：提取PDF文字、位图元素内容及位置信息，根据位置计算指纹并计数；指纹是从内容中（此处即是位置）提取的关键信息，可以代表所指向的内容，相同指纹可以统计出现次；步骤2：筛选（计数 > 页数 / 2）的指纹集合，查找相应指纹位置的元素；步骤3：遍历备选指纹，如果指纹对应的都是文字元素，则进行步骤4处理；对应均为位图元素则进入步骤5；步骤4：提取该指纹对应的文字，如果相同或满足递增、递减规律则判定为文字水印；步骤5：提取指纹对应的位图，如果相同则判定为图片水印——在以上处理流程中，还涉及通过元素位置坐标参数，生成文本指纹方法；文字元素内容递增递减规律通过差分方法判断；相同图片对比位图md5哈希值判断方法等实施细节。

【技术特征摘要】
1.一种识别PDF文件中水印的方法，其特征在于该方法包括：步骤1：提取PDF文字、位图元素内容及位置信息，根据位置计算指纹并计数；指纹是从内容中（此处即是位置）提取的关键信息，可以代表所指向的内容，相同指纹可以统计出现次；步骤2：筛选（计数>页数/2）的指纹集合，查找相应指纹位置的元素；步骤3：遍历备选指纹，如果指纹对应的都是文字...

【专利技术属性】
技术研发人员：常诚，何黎刚，陈浩，
申请(专利权)人：常诚，何黎刚，陈浩，
类型：发明
国别省市：湖南,43