申请/专利权人：浙江吉利控股集团有限公司;吉利汽车研究院(宁波)有限公司

申请日：2024-01-29

公开（公告）日：2024-04-30

公开（公告）号：CN117951244A

主分类号：G06F16/31

分类号：G06F16/31;G06F16/35;G06F40/151;G06V30/148;G06V30/413;G06V10/82;G06V30/19;G06N3/0464;G06N3/045

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.05.17#实质审查的生效;2024.04.30#公开

摘要：本发明提供一种中文pdf文本清洗方法、系统及存储介质，所述的中文pdf文本清洗方法，包括如下步骤：S1：获取中文pdf文本数据，对所述中文pdf文本数据进行文本筛选，确定筛选后的所述中文pdf文本数据的数据类型；若所述数据类型为单层pdf，则跳转至S2，若所述数据类型为双层pdf，则跳转至S3；S2：控制对所述单层pdf进行规则清洗。本发明将对双层pdf的处理优化为对图片内容识别，解决了双层类型pdf带来的干扰，使得pdf可处理的类型增多，增大了pdf可处理的数据量，使得对pdf处理方法处理的通用性更强，而且还能对pdf中的各项元素文字，表格，公式等进行细致准确的识别，完整抽取出pdf的版面信息，提供更易理解的版面恢复方式。

主权项：1.一种中文pdf文本清洗方法，其特征在于，包括如下步骤：S1：获取中文pdf文本数据，对所述中文pdf文本数据进行文本筛选，确定筛选后的所述中文pdf文本数据的数据类型；若所述数据类型为单层pdf，则跳转至S2，若所述数据类型为双层pdf，则跳转至S3；S2：控制对所述单层pdf进行规则清洗，得到清洗后的所述单层pdf中的文本文件；S3：控制将所述双层pdf转换为图像数据，通过预训练模型处理所述图像数据，并执行如下步骤：S31：将所述图像数据划分成若干个图像块，并对所述图像块进行版面分析，得到各所述图像块的标签类别；S32：根据所述图像块的所述标签类别，分别对相应的所述图像块进行文本识别，得到所述双层pdf的文本内容、表格内容和公式内容；S33：对得到的所述双层pdf的文本内容、表格内容和公式内容进行版面恢复和所述规则清洗，输出清洗后的所述双层pdf的文本文件。

全文数据：

权利要求：

百度查询： 浙江吉利控股集团有限公司;吉利汽车研究院(宁波)有限公司 一种中文pdf文本清洗方法、系统及存储介质

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