申请/专利权人：北京中科凡语科技有限公司

申请日：2023-07-27

公开（公告）日：2024-04-26

公开（公告）号：CN117932326A

主分类号：G06F18/214

分类号：G06F18/214;G06F40/205;G06V30/19

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.05.14#实质审查的生效;2024.04.26#公开

摘要：本发明提供一种利用PDF文本获取训练数据的方法、装置及电子设备，其包括以下步骤，采集可解析的PDF文件，根据页码顺序对PDF文件解析，提取每一页PDF文件的数据，再提取PDF文件中的字符组合成词单元，将词单元的坐标与每个字符的内容信息进行结合，构建出词单元的内容和位置信息，并将其作为训练数据输出。本发明提供一种利用PDF文本获取训练数据的方法、装置及电子设备，其通过对可解析的PDF文件进行处理，先将PDF文件根据页码拆卸成多份，然后再通过构建词单元方式，获取词单元或行单元的坐标和字符信息，同时将拆解后的PDF文件转换成图片数据，共同作为训练数据进行输出，实现快速且准确的PDF文件中字符数据的采集作业，具有良好的实用价值与应用前景。

主权项：1.一种利用PDF文本获取训练数据的方法，其特征在于，其包括以下步骤：S100：采集可解析的PDF文件；S200：根据页码顺序对PDF文件解析，提取每一页PDF文件的数据，该数据包括字符的内容信息和字符的坐标信息；S300：提取将PDF文件中的字符组合成词单元，获取词单元中字符的内容数据和坐标数据；在步骤S300中，获取组合形成词单元和具体包括以下步骤：S301：计算词单元中每个字符的纵坐标的最大值和最小值和横坐标的最大值和最小值，并利用这四个最值构建一个矩形框；S302：根据所述矩形框的坐标，得到词单元的坐标；S303：将词单元的坐标与每个字符的内容信息进行结合，构建出所述词单元的内容和位置信息；S400：根据词单元中内容和位置信息，形成词单元标注文件，并将其作为训练数据输出。

全文数据：

权利要求：

百度查询： 北京中科凡语科技有限公司 一种利用PDF文本获取训练数据的方法、装置及电子设备

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。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD