申请/专利权人:北京四方同文科技有限公司
申请日:2023-06-26
公开(公告)日:2024-04-09
公开(公告)号:CN117852499A
主分类号:G06F40/151
分类号:G06F40/151;G06F40/166;G06F40/106
优先权:
专利状态码:在审-实质审查的生效
法律状态:2024.04.26#实质审查的生效;2024.04.09#公开
摘要:本发明提供一种PDF文档的预处理方法及装置,涉及文档处理技术领域,其中,PDF文档的预处理方法,包括:对获取的目标PDF文档进行布局分析并划块,得到目标PDF文档中各文档内容所属的区域;提取各区域内文档内容和文档内容的属性信息;针对每个区域,在区域内,根据属性信息对文档内容中的字符进行段落重组,得到处理后的文档内容;将各处理后的文档内容转化为输出文档,输出文档的格式基于下游任务确定。本发明能够对PDF文档进行文档内容提取和段落重建,以确保能够有效降低用户对PDF文档进行编辑的复杂度,提高了PDF文档编辑效率和PDF文档段落识别的准确率,保存PDF文档的段落信息,避免了在保存PDF文档后,PDF文档的段落信息丢失的问题。
主权项:1.一种PDF文档的预处理方法,其特征在于,包括:对获取的目标PDF文档进行布局分析并划块,得到所述目标PDF文档中各文档内容所属的区域;提取各所述区域内所述文档内容和所述文档内容的属性信息;针对每个所述区域,在所述区域内,根据所述属性信息对所述文档内容中的字符进行段落重组,得到处理后的文档内容;将各所述处理后的文档内容转化为输出文档,所述输出文档的格式基于下游任务确定。
全文数据:
权利要求:
百度查询: 北京四方同文科技有限公司 PDF文档的预处理方法及装置
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。