图片型PDF的处理方法、装置、设备、存储介质和程序产品制造方法及图纸

本申请涉及一种图片型PDF的处理方法、装置、设备、存储介质和程序产品。包括：将图片型PDF文件，转换为文本型PDF文件；识别有效内容页面和图表页面，生成有效内容文件和图表页面文件；识别每个图表页面的图表区域，根据图表区域提取图表插图，并从每个图表页面中去除相应的图表区域，输出图表插图文件和去除图表页面文件；根据去除图表页面文件，对有效内容文件中的图表页面进行替换，生成文字内容PDF文件；对文字内容PDF文件转换生成的文本文件进行精化处理，得到目标文本文件；将目标文本文件和图表插图文件，作为图片型PDF文件的处理结果。采用本方法能够保留图表原始信息、优化文本转换结果、提升文本内容质量。

【技术实现步骤摘要】

本申请涉及计算机，特别是涉及一种图片型pdf的处理方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。

技术介绍

1、为了实现技术标准的智能化应用，通过建立技术标准知识库、基于大语言模型实现检索增强生成（rag）是当前主要技术趋势。目前各类技术标准电子文件基本为图片型pdf文件，传统pdf转换产品通过ocr（optical character recognition，光学字符识别）技术将图片型pdf文件转换为文本文件（即word文件）。由于ocr技术的解析质量不高，将导致图片型pdf文件的识别精度低，影响技术标准的智能应用效果。

技术实现思路

1、基于此，有必要针对上述技术问题，提供一种图片型pdf的处理方法、装置、计算机设备、计算机可读存储介质和计算机程序产品，能够保留图表原始信息、优化文本转换结果、提升文本内容质量。

2、第一方面，本申请提供了一种图片型pdf的处理方法，包括：

3、将图片型pdf文件，转换为文本型pdf文件；

4、从文本型pdf文件中分别识别有本文档来自技高网...

【技术保护点】

1.一种图片型PDF的处理方法，其特征在于，所述方法包括：

2.根据权利要求1所述的方法，其特征在于，所述从所述文本型PDF文件中分别识别有效内容页面和图表页面，生成有效内容文件和图表页面文件，包括：

3.根据权利要求1所述的方法，其特征在于，所述识别所述图表页面文件中每个图表页面的图表区域，包括：

4.根据权利要求1至3中任意一项所述的方法，其特征在于，所述对所述文本文件进行精化处理，得到目标文本文件，包括：

5.根据权利要求4所述的方法，其特征在于，所述为所述正文部分和所述附录部分构建节内层次结构，生成层次标志信息，包括：

...

【技术特征摘要】

1.一种图片型pdf的处理方法，其特征在于，所述方法包括：

2.根据权利要求1所述的方法，其特征在于，所述从所述文本型pdf文件中分别识别有效内容页面和图表页面，生成有效内容文件和图表页面文件，包括：

3.根据权利要求1所述的方法，其特征在于，所述识别所述图表页面文件中每个图表页面的图表区域，包括：

4.根据权利要求1至3中任意一项所述的方法，其特征在于，所述对所述文本文件进行精化处理，得到目标文本文件，包括：

5.根据权利要求4所述的方法，其特征在于，所述为所述正文部分和所述附录部分构建节内层次结构，生成层次标志信息，包括：

6.根据权利要求4所述的方法，其特征在于，...

【专利技术属性】
技术研发人员：韩吉双，曹锋，连智杰，张岩，李晓伟，杨同盟，施凯健，王海波，英鹏涛，黄宇飞，喻皓星，张元进，郑晶星，杨立波，
申请(专利权)人：南方电网调峰调频发电有限公司工程建设管理分公司，
类型：发明
国别省市：