System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本申请涉及格式转换的领域,具体而言,涉及一种转换pdf格式的方法、装置、设备和可读存储介质。
技术介绍
1、随着时间的推移,组织和个人积累了大量的pdf文件。这些文件可能存储在本地计算机、云存储或企业文档管理系统中。pdf里一般包含的内容有文本、表格、公式、插图等内容,通过研发pdf内容识别技术,可以对这些文件进行自动分类和标记,使用户能够快速搜索和检索所需的文档。这对于提高信息管理和知识共享的效率非常有帮助。
2、但是现有的pdf内容识别技术大多只能识别pdf中的文字,而对其中的表格、插图、公式等其他形态的内容无法进行识别和转换。如果要做一个能识别所有格式内容的算法,算法的研发成本过高,而且算法的架构会比较复杂,会导致识别的速度慢,并且无法在所有任务上都达到较高的识别准确率。
3、因此,如何提高pdf格式转换过程的效率和准确率,是一个需要解决的技术问题。
技术实现思路
1、本申请实施例的目的在于提供一种转换pdf格式的方法,通过本申请的实施例的技术方案可以达到提高pdf格式转换过程的效率和准确率的效果。
2、第一方面,本申请实施例提供了一种转换pdf格式的方法,包括,确定待转换pdf页面中页面内容的内容类型,其中,内容类型包括文本、表格、公式和插图中的至少一种;截取待转换pdf页面中内容类型对应的页面内容;通过内容类型对应的识别算法,识别内容类型对应的页面内容,得到识别内容;合并识别内容,并将得到的合并文档转换为预设格式的文档。
3
4、在一些实施例中,内容类型对应的识别算法,包括:文本识别算法、表格识别算法和公式识别算法中的至少一种。
5、本申请在上述实施例中,内容类型对应的识别算法包括至少一种,可以通过识别算法识别对应的截图,得到识别内容。
6、在一些实施例中,通过内容类型对应的识别算法,识别内容类型对应的页面内容,得到识别内容,包括:通过文本识别算法识别待转换pdf页面中文本内容,得到识别内容;和/或通过表格识别算法识别待转换pdf页面中表格内容,得到识别内容;和/或通过公式识别算法识别待转换pdf页面中公式内容,得到识别内容。
7、本申请在上述实施例中,通过不同的算法,可以快速准确的识别文本内容、表格内容和公式内容。
8、在一些实施例中,通过文本识别算法识别待转换pdf页面中文本内容,得到识别内容,包括:通过目标检测算法,检测文本内容所在的框坐标;通过文本识别模型中的文本识别算法,识别框坐标所在位置的文本内容,得到识别内容。
9、本申请在上述实施例中,可以结合目标检测算法和文本识别算法,实现文本内容的准确定位和识别。
10、在一些实施例中,通过表格识别算法识别待转换pdf页面中表格内容,得到识别内容,包括:通过表格识别算法检测表格内容中表格的标题、注释、表头单元格、普通单元格和图片单元格;提取表格的行和列,并识别行和列中的表格文本内容;按照表格的行和列,还原表格的标题、注释、表头单元格、普通单元格和图片单元格内的表格文本内容,得到识别内容。
11、本申请在上述实施例中,根据表格的特性行和列,按照表格的格式进行逐一识别和还原,最终准确的获取识别内容。
12、在一些实施例中,通过公式识别算法识别待转换pdf页面中公式内容,得到识别内容,包括:通过公式识别模型中的编码器和解码器,提取公式内容,得到识别内容。
13、本申请在上述实施例中,可以通过公式识别模型携带的编码器和解码器,准确的识别公式内容,得到识别内容。
14、在一些实施例中,合并识别内容,并将得到的合并文档转换为预设格式的文档,包括:分别合并待转换pdf中每一页面内的识别内容,得到多个页面内容;合并多个页面内容并去除页面和页脚,得到合并文档;将合并文档转换为预设格式的文档。
15、本申请在上述实施例中,可以按照待转换pdf的格式快速的合并新的文档,并且去除不需要的页面和页脚,快速的获取预设格式的文档。
16、在一些实施例中,确定待转换pdf页面中页面内容的内容类型,包括:将待转换pdf按照页码切分,得到待转换pdf的多个页面;确定多个页面中每一页面内页面内容的内容类型。
17、本申请在上述实施例中,可以对待转换pdf进行分页处理,之后每一页都进行了内容类型的识别,以及后续的格式转换处理,快速准确的获取转换后的文档。
18、第二方面,本申请实施例提供了一种转换pdf格式的装置,包括:
19、确定模块,用于确定待转换pdf页面中页面内容的内容类型,其中,内容类型包括文本、表格、公式和插图中的至少一种;
20、裁剪模块,用于截取待转换pdf页面中内容类型对应的页面内容;
21、识别模块,用于通过内容类型对应的识别算法,识别内容类型对应的页面内容,得到识别内容;
22、转换模块,用于合并识别内容,并将得到的合并文档转换为预设格式的文档。
23、可选的,内容类型对应的识别算法,包括:
24、文本识别算法、表格识别算法和公式识别算法中的至少一种。
25、可选的,识别模块具体用于:
26、通过文本识别算法识别待转换pdf页面中文本内容,得到识别内容;和/或
27、通过表格识别算法识别待转换pdf页面中表格内容,得到识别内容;和/或
28、通过公式识别算法识别待转换pdf页面中公式内容,得到识别内容。
29、可选的,识别模块具体用于:
30、通过目标检测算法,检测文本内容所在的框坐标;
31、通过文本识别模型中的文本识别算法,识别框坐标所在位置的文本内容,得到识别内容。
32、可选的,识别模块具体用于:
33、通过表格识别算法检测表格内容中表格的标题、注释、表头单元格、普通单元格和图片单元格;
34、提取表格的行和列,并识别行和列中的表格文本内容;
35、按照表格的行和列,还原表格的标题、注释、表头单元格、普通单元格和图片单元格内的表格文本内容,得到识别内容。
36、可选的,识别模块具体用于:
37、通过公式识别模型中的编码器和解码器,提取公式内容,得到识别内容。
38、可选的,合并模块具体用于:
39、分别合并待转换pdf中每一页面内的识别内容,得到多个页面内容;
40、合并多个页面内容并去除页面和页脚,得到合并文档;
41、将合并文档转换为预设格式的文档。
42、可选的,确定模块具体用于:
43、将待转换pdf按照页码切分,得到待转换pdf的多本文档来自技高网...
【技术保护点】
1.一种转换PDF格式的方法,其特征在于,包括:
2.根据权利要求1所述的方法,其特征在于,所述内容类型对应的识别算法,包括:
3.根据权利要求2所述的方法,其特征在于,所述通过所述内容类型对应的识别算法,识别所述内容类型对应的页面内容,得到识别内容,包括:
4.根据权利要求3所述的方法,其特征在于,所述通过所述文本识别算法识别所述待转换PDF页面中文本内容,得到所述识别内容,包括:
5.根据权利要求3所述的方法,其特征在于,所述通过所述表格识别算法识别所述待转换PDF页面中表格内容,得到所述识别内容,包括:
6.根据权利要求3所述的方法,其特征在于,所述通过所述公式识别算法识别所述待转换PDF页面中公式内容,得到所述识别内容,包括:
7.根据权利要求1-6中任一项所述的方法,其特征在于,所述合并所述识别内容,并将得到的合并文档转换为预设格式的文档,包括:
8.根据权利要求1-6中任一项所述的方法,其特征在于,所述确定待转换PDF页面中页面内容的内容类型,包括:
9.一种转换PDF格式
10.一种电子设备,其特征在于,包括:
11.一种计算机可读存储介质,其特征在于,包括:
...【技术特征摘要】
1.一种转换pdf格式的方法,其特征在于,包括:
2.根据权利要求1所述的方法,其特征在于,所述内容类型对应的识别算法,包括:
3.根据权利要求2所述的方法,其特征在于,所述通过所述内容类型对应的识别算法,识别所述内容类型对应的页面内容,得到识别内容,包括:
4.根据权利要求3所述的方法,其特征在于,所述通过所述文本识别算法识别所述待转换pdf页面中文本内容,得到所述识别内容,包括:
5.根据权利要求3所述的方法,其特征在于,所述通过所述表格识别算法识别所述待转换pdf页面中表格内容,得到所述识别内容,包括:
【专利技术属性】
技术研发人员:周波,杨凯,喻麒麟,钱程,刘洋,曹嘉彦,刘义峰,
申请(专利权)人:澳鹏数据科技上海有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。