本發(fā)明屬于pdf解析，具體地說(shuō)，是涉及一種解析pdf中段落對(duì)齊方法、裝置及介質(zhì)。

背景技術(shù)：

1、在現(xiàn)代文檔處理中，pdf?和?docx?是兩種常見(jiàn)的文檔格式，pdf?通常用于保護(hù)文檔格式和布局的穩(wěn)定性，而?docx?格式則更靈活，適用于編輯和共享文檔。因此，將pdf?轉(zhuǎn)換為?docx?具有重要意義，為能夠方便地編輯和修改文檔內(nèi)容，同時(shí)保留原始的格式和排版風(fēng)格，從?pdf?提取文本并將其適應(yīng)到?docx?格式需要有效的文本識(shí)別和結(jié)構(gòu)化技術(shù)，以確保文檔內(nèi)容的準(zhǔn)確性和連貫性，在轉(zhuǎn)換過(guò)程中，段落的對(duì)齊必須準(zhǔn)確，包括左對(duì)齊、右對(duì)齊、居中等，以確保文檔的可讀性和外觀，現(xiàn)有的段落對(duì)齊方案容錯(cuò)較低、對(duì)齊準(zhǔn)確性較差。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明的目的在于提供一種解析pdf中段落對(duì)齊方法，以解決現(xiàn)有技術(shù)所存在的技術(shù)問(wèn)題。

2、為了實(shí)現(xiàn)上述目的，本發(fā)明采取的技術(shù)方案如下：

3、一種解析pdf中段落對(duì)齊方法，包括以下步驟：

4、步驟s1：利用apache的開(kāi)源框架pdfbox，對(duì)pdf文件進(jìn)行讀取；

5、步驟s2：從pdf文件中按頁(yè)提取文字信息，文字信息包括文字內(nèi)容、文字坐標(biāo)、文字大小、文字字體；

6、步驟s3：使用排序算法根據(jù)獲取到的文字坐標(biāo)，對(duì)文字內(nèi)容進(jìn)行排序，得到排序后的文字內(nèi)容；

7、步驟s4：使用排版算法將排序后的文字內(nèi)容進(jìn)行轉(zhuǎn)換排版，確定段落、頁(yè)眉頁(yè)腳信息；

8、步驟s5：提取出確定好后的段落所對(duì)應(yīng)的內(nèi)容，并將段落內(nèi)容根據(jù)xy軸坐標(biāo)拆分成行級(jí)內(nèi)容；

9、步驟s6：對(duì)行級(jí)內(nèi)容進(jìn)行分析判斷，段落對(duì)齊情況：按照文字字體大小設(shè)置容錯(cuò)區(qū)間，并根據(jù)容錯(cuò)區(qū)間執(zhí)行下述判斷：

10、（61）如果每行起始x軸坐標(biāo)差距都在容錯(cuò)區(qū)間內(nèi)，則判斷為段落內(nèi)容居左；（62）如果每行結(jié)束x軸坐標(biāo)差距都在容錯(cuò)區(qū)間內(nèi)，則判斷為段落內(nèi)容居右；（63）如果每行起始x軸坐標(biāo)和結(jié)束x軸坐標(biāo)，距離左右頁(yè)面寬度差距都在容錯(cuò)區(qū)間內(nèi)，則判斷為段落內(nèi)容居中；

11、步驟s7：處理完所有段落內(nèi)容后，將分析判斷結(jié)果存放內(nèi)存對(duì)象，輸出至轉(zhuǎn)排文檔。

12、優(yōu)選的，所述步驟s3中，排序的方法如下：根據(jù)已獲取到的文字的x軸、y軸坐標(biāo)，先根據(jù)y軸坐標(biāo)對(duì)文字內(nèi)容從小到大排序，若y軸坐標(biāo)一樣，則按照x軸對(duì)文字內(nèi)容從小到大排序，獲取一個(gè)從左往右、從上到下的有序列表，即得到排序后的文字內(nèi)容。

13、優(yōu)選的，所述步驟s4中，確定段落的方法如下：

14、基于排序后的文字內(nèi)容，根據(jù)y軸坐標(biāo)判斷是否是同行，將數(shù)據(jù)整合成同行的列表數(shù)據(jù)，并按下述方法處理所有的列表數(shù)據(jù)：（41）當(dāng)y1和y0以及x1min和x0min，x1max和x0max的絕對(duì)差值小于1，則確定為同段落；（42）當(dāng)y1和y0以及x1min和x0min的絕對(duì)差值小于1，但x1max大于x0max，則確定為同段落；（43）當(dāng)y1和y0，x1max和x0max絕對(duì)差值小于1且x0min小于x1min，則確定為同段落；其中，下一組數(shù)據(jù)坐標(biāo)為x1min(同一行最左邊),x1max(同一行最右邊)，y1；上一組坐標(biāo)為x0min(同一行最左邊),x0max(同一行最右邊)，y0。

15、優(yōu)選的，所述步驟s4中，確定頁(yè)眉頁(yè)腳的方法如下：獲取所有頁(yè)的第一條和最后一條數(shù)據(jù)，如所有頁(yè)的第一條數(shù)據(jù)的內(nèi)容基本一致，則將該第一條數(shù)據(jù)判斷為頁(yè)眉，如所有頁(yè)的最后一條數(shù)據(jù)的內(nèi)容基本一致，則將該最后一條數(shù)據(jù)判斷為頁(yè)腳。

16、優(yōu)選的，所述的內(nèi)容基本一致是指文字內(nèi)容至少有80％相同。

17、步驟s5中，在根據(jù)xy軸坐標(biāo)拆分成行級(jí)內(nèi)容中，當(dāng)x軸坐標(biāo)值從左到右逐漸增大，y軸坐標(biāo)從上到下逐漸增大，當(dāng)x軸坐標(biāo)從大變小且y軸坐標(biāo)增大，則可以判斷為換行。

18、為了實(shí)現(xiàn)上述目的，本發(fā)明還提供了種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，其上存儲(chǔ)有計(jì)算機(jī)程序，所述計(jì)算機(jī)程序被處理器執(zhí)行，以實(shí)現(xiàn)所述的解析pdf中段落對(duì)齊方法。

19、為了實(shí)現(xiàn)上述目的，本發(fā)明還提供了一種解析pdf中段落對(duì)齊裝置，包括：處理器和存儲(chǔ)器；所述存儲(chǔ)器用于存儲(chǔ)計(jì)算機(jī)程序；所述處理器與所述存儲(chǔ)器相連，用于執(zhí)行所述存儲(chǔ)器存儲(chǔ)的計(jì)算機(jī)程序，以使得所述解析pdf中段落對(duì)齊裝置執(zhí)行所述的解析pdf中段落對(duì)齊方法。

20、與現(xiàn)有技術(shù)相比，本發(fā)明具備以下有益效果：

21、本發(fā)明利用apache的開(kāi)源框架pdfbox，對(duì)pdf文件進(jìn)行讀取，然后對(duì)文字進(jìn)行排序、轉(zhuǎn)換排版，確定好段落，標(biāo)題，頁(yè)眉頁(yè)腳等信息，基于段落內(nèi)容進(jìn)行行級(jí)拆分，并設(shè)置容錯(cuò)空間對(duì)行級(jí)內(nèi)容進(jìn)行分析判斷，由此確定段落對(duì)齊，從而能夠保持轉(zhuǎn)換后的文檔的準(zhǔn)確對(duì)齊，并具有高質(zhì)量、易編輯的特點(diǎn)。

技術(shù)特征：

1.一種解析pdf中段落對(duì)齊方法，其特征在于，包括以下步驟：

2.根據(jù)權(quán)利要求1所述的解析pdf中段落對(duì)齊方法，其特征在于，所述步驟s3中，排序的方法如下：根據(jù)已獲取到的文字的x軸、y軸坐標(biāo)，先根據(jù)y軸坐標(biāo)對(duì)文字內(nèi)容從小到大排序，若y軸坐標(biāo)一樣，則按照x軸對(duì)文字內(nèi)容從小到大排序，獲取一個(gè)從左往右、從上到下的有序列表，即得到排序后的文字內(nèi)容。

3.根據(jù)權(quán)利要求2所述的解析pdf中段落對(duì)齊方法，其特征在于，所述步驟s4中，確定段落的方法如下：

4.根據(jù)權(quán)利要求3所述的解析pdf中段落對(duì)齊方法，其特征在于，所述步驟s4中，確定頁(yè)眉頁(yè)腳的方法如下：獲取所有頁(yè)的第一條和最后一條數(shù)據(jù)，如所有頁(yè)的第一條數(shù)據(jù)的內(nèi)容基本一致，則將該第一條數(shù)據(jù)判斷為頁(yè)眉，如所有頁(yè)的最后一條數(shù)據(jù)的內(nèi)容基本一致，則將該最后一條數(shù)據(jù)判斷為頁(yè)腳。

5.根據(jù)權(quán)利要求4所述的解析pdf中段落對(duì)齊方法，其特征在于，所述的內(nèi)容基本一致是指文字內(nèi)容至少有80％相同。

6.根據(jù)權(quán)利要求5所述的解析pdf中段落對(duì)齊方法，其特征在于，所述步驟s5中，在根據(jù)xy軸坐標(biāo)拆分成行級(jí)內(nèi)容中，當(dāng)x軸坐標(biāo)值從左到右逐漸增大，y軸坐標(biāo)從上到下逐漸增大，當(dāng)x軸坐標(biāo)從大變小且y軸坐標(biāo)增大，則可以判斷為換行。

7.一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，其上存儲(chǔ)有計(jì)算機(jī)程序，其特征在于，所述計(jì)算機(jī)程序被處理器執(zhí)行，以實(shí)現(xiàn)如權(quán)利要求1~6中任一項(xiàng)所述的解析pdf中段落對(duì)齊方法。

8.一種解析pdf中段落對(duì)齊裝置，其特征在于，包括：處理器和存儲(chǔ)器；所述存儲(chǔ)器用于存儲(chǔ)計(jì)算機(jī)程序；所述處理器與所述存儲(chǔ)器相連，用于執(zhí)行所述存儲(chǔ)器存儲(chǔ)的計(jì)算機(jī)程序，以使得所述解析pdf中段落對(duì)齊裝置執(zhí)行如權(quán)利要求1~6中任一項(xiàng)所述的解析pdf中段落對(duì)齊方法。

技術(shù)總結(jié)
本發(fā)明屬于PDF解析技術(shù)領(lǐng)域，提供了一種解析pdf中段落對(duì)齊方法、裝置及介質(zhì)。本發(fā)明利用Apache的開(kāi)源框架PDFBOX，對(duì)PDF文件進(jìn)行讀取，然后對(duì)文字進(jìn)行排序、轉(zhuǎn)換排版，確定好段落，標(biāo)題，頁(yè)眉頁(yè)腳等信息，基于段落內(nèi)容進(jìn)行行級(jí)拆分，并設(shè)置容錯(cuò)空間對(duì)行級(jí)內(nèi)容進(jìn)行分析判斷，由此確定段落對(duì)齊，從而能夠保持轉(zhuǎn)換后的文檔的準(zhǔn)確對(duì)齊，并具有高質(zhì)量、易編輯的特點(diǎn)。

技術(shù)研發(fā)人員：劉斌,朱憲超,霍展羽,李晶
受保護(hù)的技術(shù)使用者：四川語(yǔ)言橋信息技術(shù)有限公司
技術(shù)研發(fā)日：
技術(shù)公布日：2025/1/2