【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。