CN105701091A - 一种基于语义的pdf文档的处理方法及处理装置 - Google Patents

Abstract

本发明提供了一种基于语义的PDF文档的处理方法及处理装置。本发明涉及文件处理技术领域。所述处理方法，包括：获取PDF文档的对象模型；提取所述对象模型的目录簿；根据所述目录簿查找PDF的文章线索记录；对所述文章线索记录中的逻辑对象进行处理，得到完整连续的逻辑对象流。上述方案，通过依据逻辑对象对PDF文档进行处理，获取得到一篇PDF文档的完整语义，此种方式，可以依据语义对PDF文档进行提取，方便了使用者的阅读。

Description

一种基于语义的PDF文档的处理方法及处理装置

技术领域

本发明涉及文件处理技术领域，特别涉及一种基于语义的PDF文档的处理方法及处理装置。

背景技术

PDF全称PortableDocumentFormat，即“便携文档格式”，是一种电子文档格式。这种格式与操作平台无关，跨平台特点突出，可在几乎所有的平台上使用。这一特性使它成为在Internet上进行电子文档发行和数字化信息传播的首选文档格式。越来越多的图书文献资料首选PDF作为其电子发布的形式，如电子图书、产品说明、公司公告、网络资料、电子邮件等。PDF格式已成为用于将信息数字化的一个事实上的工业标准。

PDF格式有其鲜明的技术特色，如跨平台性优越；可集成多种媒体信息出版和发布，可集成超文本链接、声音及动态影像等电子信息；提供了对网络信息发布的支持。其中，在PDF的可信可靠，维护信息完整性与一致性及保持信息安全性上，最为使用者所称道的则是其安全性，数字签名或使用密码保护。而其他格式则很容易地可以修改或编辑。

PDF的安全性首先保证了PDF文档不能被编辑，至少不能被轻易修改；其次可通过设置权限，限制用户的内容打印、内容复制甚至是评论或批注的添加、修改或删除。

PDF文档只供阅读，不能被修改，确保了内容的完整性与其他特性。

从人们认知习惯的角度或从语义角度看，无论对于图书、期刊或杂志等纸质文档，还是其他电子格式出版的文档，其基本组成结构通常都是段落，特别是文字性的内容，其组织结构或对象类型都可以认为是段，段落之间的连续关系能够使一个PDF逻辑对象得以重现。

在实际的排版过程中，一个语义上完整的逻辑对象，可能分到不同的页面中，形成了跨页的对象。

常常会有这种情况，一篇文章，部分出现在第一页，而另外一部分却出现在第n页上，还有可能剩余的部分出现在第n+x页上，这些页面并不连续，但其表达的对象，也就是这篇文章却是一个整体。

通常，对PDF文档的处理是逐页进行的，这样对跨页的对象的处理就成了一个问题，最常见的是跨页段落的连续性处理(连续性处理，针对的是逻辑上关联，属于同一个逻辑对象，而物理上被分割开的段落的处理，这些段落位于多个不连续的页面上，也就是说处于物理上的分割状态)，就是说一个完整的对象处于不同的PDF页面中时，如何将其重现，如何从语义上完整再现，成了一个问题。

PDF文档通常包含多个内容对象，这一系列的内容对象，在许多情况下在逻辑上是关联的，但在物理上是分离的、不连续的。对PDF文档的逐页处理，不能有效地将一个完整的逻辑对象抽取出来。

有效地处理好段落的连续性问题，可能助于逻辑对象的重现，有助于人们对PDF文档的理解，特别是有助于用户提取某一单独的PDF文档。

发明内容

本发明要解决的技术问题是提供一种基于语义的PDF文档的处理方法及处理装置，解决现有的PDF文档中一个语义上完整的逻辑对象，可能分到不同的页面中，形成了跨页的对象，在进行PDF文档处理时，不能有效地将一个完整的逻辑对象抽取出来的问题。

为了解决上述技术问题，本发明实施例提供一种基于语义的PDF文档的处理方法，包括：

获取PDF文档的对象模型；

提取所述对象模型的目录簿；

根据所述目录簿查找PDF的文章线索记录；

对所述文章线索记录中的逻辑对象进行处理，得到完整连续的逻辑对象流。

进一步地，所述提取所述对象模型的目录簿的步骤包括：

获取所述对象模型的交叉索引表；

根据所述交叉索引表，获取得到PDF文档的追踪字典；

根据所述追踪字典，分析得到所述对象模型的目录簿。

进一步地，所述根据所述追踪字典，分析得到所述对象模型的目录簿的步骤具体为：

通过第一预设键值查找所述追踪字典，获取所述第一预设键值对应的对象，得到所述对象模型的目录簿。

进一步地，所述目录簿包括：PDF文档的页面信息、页面对应的编码树、文档及PDF的大纲书签和所述PDF文档所拥有的逻辑对象信息。

进一步地，所述根据所述目录簿查找PDF的文章线索记录的步骤具体为：

在所述目录簿中通过第二预设键值，查找得到所述PDF文档的文章线索记录。

进一步地，所述对所述文章线索记录中的逻辑对象进行处理，得到完整连续的逻辑对象流的步骤具体为：

对所述文章线索记录中的每个文章线索对象，通过第三预设键值检索，得到第一个逻辑对象，从第一个逻辑对象开始，依次向后遍历所有逻辑对象，从而得到一个完整连续的逻辑对象流。

本发明实施例还提供一种基于语义的PDF文档的处理装置，包括：

获取模块，用于获取PDF文档的对象模型；

提取模块，用于提取所述对象模型的目录簿；

查找模块，用于根据所述目录簿查找PDF的文章线索记录；

处理模块，用于对所述文章线索记录中的逻辑对象进行处理，得到完整连续的逻辑对象流。

进一步地，所述提取模块，包括：

第一获取单元，用于获取所述对象模型的交叉索引表；

第二获取单元，用于根据所述交叉索引表，获取得到PDF文档的追踪字典；

分析单元，用于根据所述追踪字典，分析得到所述对象模型的目录簿。

进一步地，所述分析单元具体为：

通过第一预设键值查找所述追踪字典，获取所述第一预设键值对应的对象，得到所述对象模型的目录簿。

进一步地，所述查找模块具体为：

在所述目录簿中通过第二预设键值，查找得到所述PDF文档的文章线索记录。

进一步地，所述处理模块具体为：

对所述文章线索记录中的每个文章线索对象，通过第三预设键值检索，得到第一个逻辑对象，从第一个逻辑对象开始，依次向后遍历所有逻辑对象，从而得到一个完整连续的逻辑对象流。

本发明的有益效果是：

上述方案，通过依据逻辑对象对PDF文档进行处理，获取得到一篇PDF文档的完整语义，此种方式，可以依据语义对PDF文档进行提取，方便了使用者的阅读。

附图说明

图1表示本发明实施例的处理方法的总体流程图；

图2表示本发明实施例的处理装置的模块示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合附图及具体实施例对本发明进行详细描述。

本发明针对现有的PDF文档中一个语义上完整的逻辑对象，可能分到不同的页面中，形成了跨页的对象，在进行PDF文档处理时，不能有效地将一个完整的逻辑对象抽取出来的问题，提供一种基于语义的PDF文档的处理方法及处理装置。

如图1所示，本发明实施例的所述基于语义的PDF文档的处理方法，包括：

步骤10，获取PDF文档的对象模型；

步骤20，提取所述对象模型的目录簿；

步骤30，根据所述目录簿查找PDF的文章线索记录；

步骤40，对所述文章线索记录中的逻辑对象进行处理，得到完整连续的逻辑对象流。

本发明上述实施例，通过依据逻辑对象对PDF文档进行处理，获取得到一篇PDF文档的完整语义，此种方式，可以依据语义对PDF文档进行提取，方便了使用者的阅读。

可选地，本发明实施例的所述步骤20包括：

步骤21，获取所述对象模型的交叉索引表；

步骤22，根据所述交叉索引表，获取得到PDF文档的追踪字典；

步骤23，根据所述追踪字典，分析得到所述对象模型的目录簿。

具体地，所述步骤23具体为：

通过第一预设键值查找所述追踪字典，获取所述第一预设键值对应的对象，得到所述对象模型的目录簿。

应当说明的是，所述目录簿为PDF自身已定义的信息，其包含诸多信息，比如包括：PDF文档的页面信息、页面对应的编码树、文档及PDF的大纲书签(即PDF的大纲Outlines)和所述PDF文档所拥有的逻辑对象信息(即PDF文档所拥有的Article信息)。

可选地，本发明实施例的所述步骤30具体为：

在所述目录簿中通过第二预设键值，查找得到所述PDF文档的文章线索记录。

在得到文章线索记录后便是对每个文章线索进行处理，以得到完整连续的逻辑对象流，从而得到完整的语义，因此，本发明实施例的所述步骤40具体为：

对所述文章线索记录中的每个文章线索对象，通过第三预设键值检索，得到第一个逻辑对象，从第一个逻辑对象开始，依次向后遍历所有逻辑对象，从而得到一个完整连续的逻辑对象流。

应当说明的是，所述目录簿、文章线索记录、逻辑对象以及追踪字典均是PDF文档自身已有的信息，其中，用Catalog表示目录簿，Thread表示文章线索记录，Bead表示每个Thread中的逻辑对象，Trailer表示追踪字典。

对本发明实施例的所述方法的具体应用过程举例说明如下：

a)打开PDF文档，抽取PDF文档对象模型；

b)提取PDF本身所具有的Catalog；

主要实现步骤是：分析PDF自身的树形层次结构，查找与PDF文档对应的Catalog部分，然后进行提取；解析PDF文档的体系结构，得到PDF本身的交叉索引表；再通过检索所得到的交叉索引表，得到PDF自身的Trailer字典；通过对Trailer字典分析，通过键值“ROOT”进行查找，得到“ROOT”所对应的对象，这个对象就是PDF文档自身的Catalog对象，这个对象包括了诸多信息如关于页面的、页面对应的编码树、文档及PDF的大纲Outlines以及PDF所拥有的Article信息。

c)在Catalog对象中通过键值“Threads”查找PDF的Thread记录；

其中，Thread记录包含有多个Thread字典，每个Thread字典对应于PDF的一个Article，对每个Thread字典进行逐一处理，可得到各个Thread对象。

d)因Thread字典用来保存Bead，每个Bead又以字典的形式存在于Thread对象中，因此以键值“F”检索每个Thread字典，可得到该Thread对象的第一个Bead，因Bead对象在Thread对象中以双向链表的数据结构存在(Bead可以是任何的PDF文档所定义的对象)，通过Bead的下一条(NEXT)记录，可检索到当前节点(最后一个Bead除外)的后一个兄弟节点，通过Bead的前一条(PREV)记录，可检索到当前节点(第一个Bead除外)的前一个兄弟节点。

如果一个Bead出现在某个PDF页面上，这个页面会有一个记录“B”，其值对应的是页面中对Bead的引用，这样可构成一个数组，按照被引用的先后次序存放在B记录中。

通过对B记录的处理，也就是说对Thread对象的处理，可以方便的对跨页的段落进行连续性处理，从而得到一个完整的逻辑对象。

应当说明的是，一个PDF文档可以定义若干个PDF的Article，一个Article对应一个完整的PDF对象，可能是物理上不连续的对象，每个Article的连续的内容流对应一个ArticleThread，这个ArticleThread由各个独立的内容对象组成，这些独立的内容对象被称为“Bead”，也就是说每个Article对象具体内容的各个部分以“Bead”的形式存在于Thread中。通过PDF文档自身的导航工具，可遍历检索Thread中的各个Bead，获取得到被分割的对象的各个部分从而重构出一个完整的对象，处理相关联的段落，重现一个完整的逻辑对象。

如图2所示，本发明实施例还提供一种基于语义的PDF文档的处理装置，包括：

获取模块100，用于获取PDF文档的对象模型；

提取模块200，用于提取所述对象模型的目录簿；

查找模块300，用于根据所述目录簿查找PDF的文章线索记录；

处理模块400，用于对所述文章线索记录中的逻辑对象进行处理，得到完整连续的逻辑对象流。

具体地，所述提取模块200，包括：

第一获取单元201，用于获取所述对象模型的交叉索引表；

第二获取单元202，用于根据所述交叉索引表，获取得到PDF文档的追踪字典；

分析单元203，用于根据所述追踪字典，分析得到所述对象模型的目录簿。

可选地，所述分析单元203具体为：

通过第一预设键值查找所述追踪字典，获取所述第一预设键值对应的对象，得到所述对象模型的目录簿。

可选地，所述查找模块300具体为：

在所述目录簿中通过第二预设键值，查找得到所述PDF文档的文章线索记录。

可选地，所述处理模块400具体为：

对所述文章线索记录中的每个文章线索对象，通过第三预设键值检索，得到第一个逻辑对象，从第一个逻辑对象开始，依次向后遍历所有逻辑对象，从而得到一个完整连续的逻辑对象流。

需要说明的是，该处理装置实施例是与上述处理方法相对应的处理装置，上述处理方法的所有实现方式均适用于该处理装置实施例中，也能达到与所述处理方法相同的技术效果。

以上所述的是本发明的优选实施方式，应当指出对于本技术领域的普通人员来说，在不脱离本发明所述的原理前提下还可以作出若干改进和润饰，这些改进和润饰也在本发明的保护范围内。

Claims (11)

1.一种基于语义的PDF文档的处理方法，其特征在于，包括：

获取PDF文档的对象模型；

提取所述对象模型的目录簿；

根据所述目录簿查找PDF的文章线索记录；

对所述文章线索记录中的逻辑对象进行处理，得到完整连续的逻辑对象流。

2.根据权利要求1所述的处理方法，其特征在于，所述提取所述对象模型的目录簿的步骤包括：

获取所述对象模型的交叉索引表；

根据所述交叉索引表，获取得到PDF文档的追踪字典；

根据所述追踪字典，分析得到所述对象模型的目录簿。

3.根据权利要求2所述的处理方法，其特征在于，所述根据所述追踪字典，分析得到所述对象模型的目录簿的步骤具体为：

通过第一预设键值查找所述追踪字典，获取所述第一预设键值对应的对象，得到所述对象模型的目录簿。

4.根据权利要求2或3所述的处理方法，其特征在于，所述目录簿包括：PDF文档的页面信息、页面对应的编码树、文档及PDF的大纲书签和所述PDF文档所拥有的逻辑对象信息。

5.根据权利要求1所述的处理方法，其特征在于，所述根据所述目录簿查找PDF的文章线索记录的步骤具体为：

在所述目录簿中通过第二预设键值，查找得到所述PDF文档的文章线索记录。

6.根据权利要求1所述的处理方法，其特征在于，所述对所述文章线索记录中的逻辑对象进行处理，得到完整连续的逻辑对象流的步骤具体为：

对所述文章线索记录中的每个文章线索对象，通过第三预设键值检索，得到第一个逻辑对象，从第一个逻辑对象开始，依次向后遍历所有逻辑对象，从而得到一个完整连续的逻辑对象流。

7.一种基于语义的PDF文档的处理装置，其特征在于，包括：

获取模块，用于获取PDF文档的对象模型；

提取模块，用于提取所述对象模型的目录簿；

查找模块，用于根据所述目录簿查找PDF的文章线索记录；

处理模块，用于对所述文章线索记录中的逻辑对象进行处理，得到完整连续的逻辑对象流。

8.根据权利要求7所述的处理装置，其特征在于，所述提取模块，包括：

第一获取单元，用于获取所述对象模型的交叉索引表；

第二获取单元，用于根据所述交叉索引表，获取得到PDF文档的追踪字典；

分析单元，用于根据所述追踪字典，分析得到所述对象模型的目录簿。

9.根据权利要求8所述的处理装置，其特征在于，所述分析单元具体为：

通过第一预设键值查找所述追踪字典，获取所述第一预设键值对应的对象，得到所述对象模型的目录簿。

10.根据权利要求7所述的处理装置，其特征在于，所述查找模块具体为：

在所述目录簿中通过第二预设键值，查找得到所述PDF文档的文章线索记录。

11.根据权利要求7所述的处理装置，其特征在于，所述处理模块具体为：

对所述文章线索记录中的每个文章线索对象，通过第三预设键值检索，得到第一个逻辑对象，从第一个逻辑对象开始，依次向后遍历所有逻辑对象，从而得到一个完整连续的逻辑对象流。