CN108415887A - 一种pdf文件向ofd文件转化的方法 - Google Patents

Abstract

本发明公开了一种PDF文件向OFD文件转化的方法，首先输入PDF文件；然后利用机器视觉技术对PDF文件进行版面分析，得到版面的内容分布，再解析PDF文件数据，获得该文件中的所有元素的对象，以及对象信息；然后将对象与版面分布进行映射，定位文字、图片、表格、公式等元素，接着利用映射之后的对象信息，将PDF的对象转化为OFD格式的对象；最后将OFD对象按照输出要求进行排版，并输出OFD文件。本发明能够以较高的正确率自动将单个或批量PDF文件转换为OFD文件，并且有效地保证了PDF文件中的图片、表格、公式等特殊元素的正确性。降低了储存在PDF文件中的信息的使用难度，提高了PDF文件向OFD文件的转换效率。

Description

一种PDF文件向OFD文件转化的方法

技术领域

本发明属于计算机技术领域，涉及一种文件转化方法，尤其涉及一种PDF文件向OFD文件转化的方法。

技术背景

PDF格式是国际上现行的最流行的文件传输格式之一，是Adobe公司于1993年推出的技术标准，并于2008年开放成为国际标准。其最为显著的特征是它的跨平台性和打印时所见即所得的特点。但是PDF技术也存在着诸如：标准体系过于庞大、技术门槛较高等问题，不利于信息的有效传播和利用。

我国于2016年正式发布了OFD国家标准，可满足版式文件的可管可控、长期保存等需求，实现了与PDF格式基本一致的功能。因为该标准采用通用的XML语言对文件版式进行描述，从而大大降低了该标准的技术门槛，有利于信息的传播和利用。

现有的PDF格式转化技术，多数使用直接解析PDF文件数据流的方式，从数据流中读取元素的信息。但是现有的技术存在以下缺陷：1)现有技术只能针对严格按照PDF标准排版的文档，当PDF文件的排版不严格遵守标准时，该方法的准确率较低，内容发生错误、丢失等问题。2)现有技术一般对于嵌入PDF文件的图表格式有一定的要求，对于不支持的图片格式，亦会丢失内容。3)现有技术对于PDF中的数学公示难以识别，只能将数学公式与普通文字做相同的处理，不能满足对数学公式做区别处理的要求。故现有PDF的格式转化技术存在若干不足，导致程序的健壮性较差，转换的成功率、准确率较低。

发明内容

针对现有技术的不足，本方案中采用机器视觉技术，对PDF文档的版面进行分析，找出文档中的所有内容，有效的保证了不丢失原文档的内容。并且对于PDF文件中的任意格式的图表，均能够得以保留。采用本方法后，PDF文档的转换成功率得到了较大的提升。

本发明所采用的技术方案是：一种PDF文件向OFD文件转化的方法，其特征在于，包括以下步骤：

步骤1：输入PDF文件；

步骤2:利用机器视觉技术对PDF文件进行版面分析，得到内容版块的分布；

步骤3：解析PDF文件数据，获得该文件中的所有元素的对象，以及所有对象的信息；

步骤4：将元素对象和内容版块进行映射，并定位文字、图片、表格、公式等元素的位置，得到PDF文件元素和内容板块的隶属关系；

步骤5：利用对象信息，将映射之后的PDF对象转化为OFD格式的对象；

步骤6：将OFD对象按照输出要求进行排版，并输出OFD文件。

本发明有益效果为：采用方案后，能够自动将单个或批量将PDF文件转换为OFD文件，并且相较于现有方法，有效的保证了转化的成功率和准确率，提高了内容的完整程度。从而降低了储存在PDF文件中的信息的使用难度，提高了PDF文件向OFD文件的转换效率。

附图说明

图1为本发明的流程示意图；

图2为本发明实施例的PDF文件的元素层级结构示意图；

图3为本发明实施例的利用机器视觉技术对PDF文件进行版面分析的示意图。

具体实施方式

为了便于本领域普通技术人员理解和实施本发明，下面结合附图及实施例对本发明作进一步的详细描述，应当理解，此处所描述的实施示例仅用于说明和解释本发明，并不用于限定本发明。

请见图1，本发明提供的一种PDF文件向OFD文件转化的方法，包括以下步骤：

步骤1：输入一份或者多份PDF格式文档，若输入为多份文档，则依次处理每一份文档或同时处理多份文档。

步骤2：利用机器视觉技术对PDF文件进行版面分析，得到内容版块的分布；

分析的具体方式为：将PDF文件转化成图片文件，使用机器视觉的方法对图片文件进行版面分析。

机器视觉的方法具体为：1)将图片转化为灰度图片，2)以适当的参数进行二值化操作，3)以适当的参数进行腐蚀或膨胀操作，4)以适当的参数查找轮廓，5)查找轮廓的包络。通过以上步骤得到内容板块的分布，如图3。得到内容版块列表。

步骤3：解析PDF文件数据，获得该文件中的所有元素的对象，以及所有对象的信息，得到PDF元素的对象列表。

PDF的对象包括PDF元数据、PDF页面、文字段落、文字字符、文字标点、文字分隔符号、项目符号、图片、几何图形、表格、表格内数据、曲线、直线、线段、水印、多媒体、书签、数字签名、嵌入字体等的其中一种或者多种的组合。

PDF的对象信息包括：1)文本的内容、字体、字号、位置等，2)图片内容的分辨率、图片色域、通道、图层信息、存储格式、图片位置、透明度等，3)表格内容的表头、表格样式、表格内容、表格内包含的前述文本信息等，4)几何图形内容信息包括：矢量几何内容的数学描述、颜色、位置、图层信息、透明度、存储格式，非适量几何内容的前述图片内容信息。5)字体内容的字体名称、字体文件等。

本实施例首先读取PDF文件的数据流，将PDF文件按照页码分解成为若干个Page对象，每一个Page对象为一页PDF文件的内容。解析每一个Page对象包含的数据流信息，如图2所示，从中提取出TextBox、Figure、Line、Rect、Image等对象信息若干，分别对应该页PDF文件中的文字段落、图表、直线、矩形、图像等内容。对于无法直接从Page对象中解析出来的Figure、Image对象，本方案采用机器视觉的方式：将PDF文件转换为图片，从视觉角度分析该图片的版式、边缘、颜色等属性，从图片中定位表格和图片，并生成对应的Figure、Image对象。

对于TextBox对象，其子类为TextLine对象，TextLine对象是一行文字，每一个TextBox对象中包含了若干个TextLine对象。

对于TextLine对象，其子类为Text对象，Text对象是一个汉字(或其他象形文字的一个字)或者一个拼音语言(如：英语、法语)的单词，每一个TextLine对象中包含了若干个Text对象。

对于拼音文字的Text对象，其有子类Char对象，Char对象是一个拼音文字的字母(如：英语的a,b,c等)，每一个Text对象中包含了若干个Char对象。

该步骤提取上述所有对象的相关属性，具体来说：

提取TextBox、TextLine、Text、Char对象均的位置坐标、大小等属性，提取Text、Char对象的位置坐标、文字内容、文字字体、文字颜色、文字大小等属性值。

提取Figure的位置坐标、文字内容、上述文字对象的相关属性等。

提取Image对象位置坐标、图片二进制数据或者图片保存路径等属性值。

提取Line对象的位置坐标、颜色、宽度、样式等属性值。

提取Rect对象的位置坐标、颜色、宽度、样式等属性值。

步骤4：将元素对象和内容版块进行映射，并定位文字、图片、表格、公式等元素的位置，具体实现过程是：遍历PDF元素的对象列表，按照对象的位置信息，逐一判断该元素是否在内容板块的位置范围内之中。得到所有内容板块和所有PDF元素对象的位置包含关系。对于不包含文字信息的的内容版块，定义为图片，对于包含一定数量的不连续文字、数字、直线的内容版块，定义为表格，对于包含一定数量的文字、数字、符号，并且满足一定位置要求的内容版块定义为公示。将图片、表格、公式元素进行截图，用于生成OFD对象。

步骤5：利用对象信息，将映射之后的PDF的对象转化为OFD格式的对象，具体实现过程是：按照OFD标准的格式要求，生成全新的OFD对象；或者在PDF对象的基础上保留、修改或者补充增加原有信息，生成OFD对象。

其中OFD格式的对象，包括OFD元数据、OFD页面、文字段落、文字字符、文字标点、文字分隔符号、项目符号、图片、几何图形、表格、表格数据、曲线、直线、线段、水印、多媒体、书签、数字签名、嵌入字体或其中多种组合。

本实施例按照OFD的国家标准(GB/T 33190-2016)，对以上对象的属性进行转换、保留、改写或添加，例如：对于一个Text对象，将PDF标准的坐标转化为OFD标准的坐标、字体大小，保留文字的内容等。

步骤6：将OFD对象按照输出要求进行排版，并输出OFD文件；

按照原有PDF文件的视觉样式输出为OFD文件，或者根据应用要求修改原有PDF文件的视觉样式。排版的形式包括：1)程序自动排版，2)人工手动排版。

本实施例中根据排版需要，修改OFD对象中的位置坐标、字体大小、字体颜色等信息，并按照OFD标准将所有对象封装在一个OFD文件中。

本实施例的PDF文件，指的是可移植文档格式(英语：Portable Document Format，简称PDF)文件，包括纯文本型PDF文件、文本加图片混合型PDF文件和纯图片型PDF文件，并且不限制PDF文件内容的语言。

本实施例的OFD文件，指的是电子文件存储与交换格式版式文档(英语OpenFixed-layout Document，简称OFD)的文件，这种文件符合GB/T 33190-2016国家标准，或者满足该国家标准的修订版本。

应当理解的是，本说明书未详细阐述的部分均属于现有技术。

应当理解的是，上述针对较佳实施例的描述较为详细，并不能因此而认为是对本发明专利保护范围的限制，本领域的普通技术人员在本发明的启示下，在不脱离本发明权利要求所保护的范围情况下，还可以做出替换或变形，均落入本发明的保护范围之内，本发明的请求保护范围应以所附权利要求为准。

Claims (10)

1.一种PDF文件向OFD文件转化的方法，其特征在于，包括以下步骤：

步骤1：输入PDF文件；

步骤2：对PDF文件进行版面分析，得到内容版块的分布；

步骤3：解析PDF文件数据，获得该文件中的所有元素的对象，以及所有对象的信息；

步骤4：将元素对象和内容版块进行映射，并定位元素对象的位置，得到PDF文件元素和内容板块的隶属关系；

步骤5：利用对象信息，将映射之后的PDF对象转化为OFD格式的对象；

步骤6：将OFD对象按照输出要求进行排版，并输出OFD文件。

2.根据权利要求1所述的PDF文件向OFD文件转化的方法，其特征在于：步骤2中，利用机器视觉技术对PDF文件进行版面分析。

3.根据权利要求1或2所述的PDF文件向OFD文件转化的方法，其特征在于：步骤2中，利用机器视觉技术对PDF文件进行版面分析，首先将PDF文件转化为图片格式文件，然后对图片格式文件进行处理，确定PDF文件页面中各个内容板块的分布，得到各个内容板块的位置、大小、内容的类型；所述处理方法包括大小变化、灰度变化、二值化、腐蚀、膨胀、开运算和闭运算、图像平滑、边缘检测、几何形状检测和拟合、聚类、坐标变换中的一种方法或者多种方法。

4.根据权利要求1或2所述的PDF文件向OFD文件转化的方法，其特征在于：步骤2中所述内容版块，是一页PDF文件页面中，大于一定间隔，与其他内容不相连的内容区块。

5.根据权利要求1或2所述的PDF文件向OFD文件转化的方法，其特征在于：步骤3中所述元素的对象包括PDF元数据、PDF页面、文字段落、文字字符、文字标点、文字分隔符号、项目符号、图片、几何图形、表格、表格数据、曲线、直线、线段、水印、多媒体、书签、数字签名、嵌入字体或其中多种组合。

6.根据权利要求1或2所述的PDF文件向OFD文件转化的方法，其特征在于：步骤3中所述对象的信息包括：文本内容信息，包括内容、字体、字号、位置；图片内容信息，包括分辨率、图片色域、通道、图层信息、存储格式、图片位置、透明度；表格内容信息，包括的表头、表格样式、表格内容、表格内包含的文本内容信息；几何图形内容信息包括：矢量几何内容的数学描述、颜色、位置、图层信息、透明度、存储格式，非适量几何内容的前述图片内容信息；字体内容的字体名称、字体文件。

7.根据权利要求1所述的PDF文件向OFD文件转化的方法，其特征在于：步骤4中，将元素对象和版面的内容分布进行映射，并定位文字、图片、表格、公式的位置，基于位置信息，得到PDF元素和内容板块的隶属关系。

8.根据权利要求1所述的PDF文件向OFD文件转化的方法，其特征在于：步骤5中所述OFD格式的对象，包括OFD元数据、OFD页面、文字段落、文字字符、文字标点、文字分隔符号、项目符号、图片、几何图形、表格、表格数据、曲线、直线、线段、水印、多媒体、书签、数字签名、嵌入字体或其中多种组合。

9.根据权利要求1所述的PDF文件向OFD文件转化的方法，其特征在于，步骤6的具体实现过程是：按照OFD标准的格式要求，生成全新的OFD对象；或者在PDF对象的基础上保留、修改或者补充增加原有信息，生成OFD对象。

10.根据权利要求1-9任意一项所述的PDF文件向OFD文件转化的方法，其特征在于：所述PDF文件包括纯文本型PDF文件、文本加图片混合型PDF文件和纯图片型PDF文件，并且不限制PDF文件内容的语言。