CN110321470A - 文档处理方法、装置、计算机设备和存储介质 - Google Patents
文档处理方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN110321470A CN110321470A CN201910433867.9A CN201910433867A CN110321470A CN 110321470 A CN110321470 A CN 110321470A CN 201910433867 A CN201910433867 A CN 201910433867A CN 110321470 A CN110321470 A CN 110321470A
- Authority
- CN
- China
- Prior art keywords
- information
- document
- text
- object picture
- character
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000003860 storage Methods 0.000 title claims abstract description 30
- 238000003672 processing method Methods 0.000 title claims abstract description 24
- 238000012545 processing Methods 0.000 claims abstract description 48
- 238000000034 method Methods 0.000 claims abstract description 27
- 239000000284 extract Substances 0.000 claims abstract description 13
- 238000004590 computer program Methods 0.000 claims description 16
- 230000004044 response Effects 0.000 claims description 12
- 230000011218 segmentation Effects 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 13
- 238000004422 calculation algorithm Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 4
- 238000012015 optical character recognition Methods 0.000 description 3
- 239000000203 mixture Substances 0.000 description 2
- 241001122315 Polites Species 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000011430 maximum method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000036651 mood Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/3331—Query processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/93—Document management systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/40—Document-oriented image-based pattern recognition
Abstract
本申请涉及一种文档处理方法、装置、计算机设备和存储介质。所述方法包括：获取待处理的多个PDF文档；提取各所述PDF文档中的文本信息和图片对象；分别对所述图片对象进行图像识别，确定所述图片对象中的字符和图形；获取所述字符在所述图片对象中第一位置信息，及所述图形在所述图片对象中的第二位置信息；将所述字符和所述第一位置信息进行关联处理，将所述图形和所述第二位置信息进行关联处理，得到所述图片对象的图片信息；将所述文本信息和图片信息关联作为各所述PDF文档的文档信息，并相应存储所述文档信息。采用基于数据处理的本方法能够提高PDF文档处理效率。
Description
技术领域
本申请涉及计算机技术领域，特别是涉及一种文档处理方法、装置、计算机设备和存储介质。
背景技术
随着计算机技术的发展，越来越多的文档格式被开发出来并被广泛使用着，比如PDF(Portable Document Format，便携式文档格式)格式的文档。现在越来越多的专业资料、电子图书、产品说明和电子邮件等在开始使用PDF格式的文件。这样，当需要对多个PDF文档进行数据分析时，常常会碰到需要查找文档中内容的情况。
传统的方式是必须要打开这个PDF文档，通过查找功能，输入关键字去查找，才能找到相应的内容。但如果用户一开始并不知道要搜索的关键字存在于哪个PDF文档中，那么就需要手动打开很多的PDF文档，一个个分别去搜索，这样会是一个很大的工作量，导致PDF文档处理效率低。
发明内容
基于此，有必要针对上述技术问题，提供一种能够提高PDF文档处理效率的文档处理方法、装置、计算机设备和存储介质。
一种文档处理方法，所述方法包括：
获取待处理的多个PDF文档；
提取各所述PDF文档中的文本信息和图片对象；
分别对所述图片对象进行图像识别，确定所述图片对象中的字符和图形；
获取所述字符在所述图片对象中第一位置信息，及所述图形在所述图片对象中的第二位置信息；
将所述字符和所述第一位置信息进行关联处理，将所述图形和所述第二位置信息进行关联处理，得到所述图片对象的图片信息；；
将所述文本信息和图片信息关联作为各所述PDF文档的文档信息，并相应存储所述文档信息。
一种文档处理装置，其特征在于，所述装置包括：
获取模块，用于获取待处理的多个PDF文档；
提取模块，用于提取各所述PDF文档中的文本信息和图片对象；
确定模块，用于分别对所述图片对象进行图像识别，确定所述图片对象中的字符和图形；
所述获取模块还用于获取所述字符在所述图片对象中第一位置信息，及所述图形在所述图片对象中的第二位置信息；
关联模块，用于将所述字符和所述第一位置信息进行关联处理，将所述图形和所述第二位置信息进行关联处理，得到所述图片对象的图片信息；
存储模块，用于将所述文本信息和图片信息关联作为各所述PDF文档的文档信息，并相应存储所述文档信息。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
获取待处理的多个PDF文档；
提取各所述PDF文档中的文本信息和图片对象；
分别对所述图片对象进行图像识别，确定所述图片对象中的字符和图形；
获取所述字符在所述图片对象中第一位置信息，及所述图形在所述图片对象中的第二位置信息；
将所述字符和所述第一位置信息进行关联处理，将所述图形和所述第二位置信息进行关联处理，得到所述图片对象的图片信息；
将所述文本信息和图片信息关联作为各所述PDF文档的文档信息，并相应存储所述文档信息。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
获取待处理的多个PDF文档；
提取各所述PDF文档中的文本信息和图片对象；
分别对所述图片对象进行图像识别，确定所述图片对象中的字符和图形；
获取所述字符在所述图片对象中第一位置信息，及所述图形在所述图片对象中的第二位置信息；
将所述字符和所述第一位置信息进行关联处理，将所述图形和所述第二位置信息进行关联处理，得到所述图片对象的图片信息；
将所述文本信息和图片信息关联作为各所述PDF文档的文档信息，并相应存储所述文档信息。
上述文档处理方法、装置、计算机设备和存储介质，提取待处理的多个PDF文档中的文本信息和图片对象。将图片对象中的字符和相对应的第一位置信息关联，将图片对象中的图形和相对应的第二位置信息关联，可以得到该图片对象的图片信息，这样可方便快捷地从多个PDF文档中提取出相应的图片信息。通过关联存储各PDF文档各自的文本信息和图片信息，可跨文档建立相应的数据库，当需对多个PDF文档进行相关资料查询时，可以快速准确地定位到目标内容，大大提高了PDF文档的处理效率。
附图说明
图1为一个实施例中文档处理方法的应用场景图；
图2为一个实施例中文档处理方法的流程示意图；
图3为一个实施例中文本查询的步骤的流程示意图；
图4为一个实施例中文档处理装置的结构框图；
图5为另一个实施例中文档处理装置的结构框图；
图6为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请提供的文档处理方法，可以应用于如图1所示的应用环境中。其中，终端110与服务器120通过网络进行通信。用户可通过终端110将多个待处理的PDF文档发送至服务器120，服务器120获取待处理的多个PDF文档并执行所述文档处理方法。其中，终端110可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备，服务器120可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中，如图2所示，提供了一种文档处理方法，以该方法应用于图1中的服务器为例进行说明，包括以下步骤：
S202，获取待处理的多个PDF文档。
其中，PDF文档是以PDF格式存储的文档。PDF格式是一种便携式文档格式，是用于与应用程序、操作系统、和硬件等均无关的方式进行文件交换所发展出的文件格式。
具体地，服务器可从本地获取指定的待处理的多个PDF文档，或者通过网络连接接收其他计算机设备发送的待处理的多个PDF文档。在一个实施例中，终端上运行有客户端，用户可登陆客户端，并通过该客户端上传待处理的多份PDF文档，客户端可将上传的PDF文档发送至服务器。
在一个实施例中，当用户需在多份PDF文档中查询目标文本时，可将多份PDF文档分别上传至服务器，通过服务器执行文档处理方法，得到多个PDF文档的文档信息，并将多个PDF文档的文档信息存储至数据库中。当用户需查询PDF文档中的相关信息时，可直接从数据库中查询目标文本，方便快捷。
S204，提取各PDF文档中的文本信息和图片对象。
其中，文本信息是PDF文档所包括的字符的信息，比如PDF文档中的文字字符。图片对象是PDF文档所嵌入的图片。具体地，服务器可遍历PDF文档，以确定PDF文档中的文本对象和图片对象。服务器可通过OCR(Optical Character Recognition，光学字符识别)识别技术识别文本对象，得到相应的文本信息。
在一个实施例中，服务器获取待处理的多个PDF文档后，可确定各PDF文档的页数，再将各PDF文档按页进行切分，再分别读取每一页的内容，得到每一页的文本对象和图片对象。进一步地，服务器对每一页文档所对应的文本对象进行文字识别，得到文本信息。这样，将PDF文档按页切分后分别进行处理，可以提高处理效率。
S206，分别对各图片对象进行图像识别，确定图片对象中的字符和图形。
其中，图像识别是识别图片所包含的信息的过程。具体地，服务器可通过OCR技术识别图片对象中的字符和线条。进一步地，服务器可确定距离邻近的线条所组成的最大连通区域，根据该最大连通区域确定图片对象中的图形。
在一个实施例中，PDF文档中的图片对象的内容包括文本和图表，其中，图表具体可以是饼状图、柱形图、表格图、或折线图等。服务器具体可识别出图像对象中的文本，得到相应的字符；识别图片对象中的图表，得到相应的图形。举例说明，当该图片对象的内容包括饼状图和文本时，可识别出图片对象中的字符和线条，根据线条所组成的连通区域确定饼状图。当图片对象的内容包括文本和表格图时，服务器可识别表格边框，以及各单元格中的文本，得到相应字符和表格图形。
S208，获取字符在图片对象中第一位置信息，及图形在图片对象中的第二位置信息。
其中，位置信息是物体所处的位置的信息，具体可以是字符和图形分别在图片对象中的位置坐标，也可以是字符和图形之间的相对位置关系。
在一个实施例中，服务器可通过边缘检测技术确定字符在图片对象中第一位置信息，及图形在图片对象中的第二位置信息。比如，服务器可依据该图片对象建立相应的坐标系，根据字符的大小确定字符所在的矩形框，以矩形框的中间位置坐标作为该字符的第一位置信息。或者，取矩形框的左上和右下两个坐标点作为该字符的第一位置信息。还比如，当服务器确定了图形在图片对象中的第二位置信息后，可依据字符与图形之间的相对位置关系来确定字符在图片对象中的第一位置信息。
S210，将字符和第一位置信息进行关联处理，将图形和第二位置信息进行关联处理，得到图片对象的图片信息。
具体地，服务器可将字符和第一位置信息进行关联处理，将图形和第二位置信息进行关联处理，比如采用[字符：第一位置信息]这样的数据组来进行相关关联。服务器可将图形、以及该图形在图片对象中的位置信息关联起来，比如采用[图形：第二位置信息]这样的数据组来进行相关关联。
在一个实施例中，当服务器将字符和第一位置信息进行关联处理，将图形和第二位置信息进行关联处理，，可根据字符和图形的相对位置关系，将字符和图形进行位置关联，以尽可能地关联存储图片对象所包括的图片信息。
S212，将文本信息和图片信息关联作为各PDF文档的文档信息，并相应存储文档信息。
具体地，当服务器提取出各PDF文档中的文本信息和图片信息后，可将该文本信息、图片信息与相应的文档标识关联，作为与该文档标识相对应的文档信息。进一步地，服务器可将相应的文档信息存储至存储介质中，使得服务器可根据多个PDF文档的文档信息建立相应的数据库，便于后续对PDF文档进行查询和分析等操作。
在一个实施例中，服务器对PDF文档按页码进行切分后，可分别提取各页面文档所包括的文档信息，进而可以将文档标识、文档页码、以及各页文档所包括的文本信息和图片信息等关联存储至数据库中。这样，当用户需查找PDF文档中的信息时，则可以直接从数据库中查询。
上述文档处理方法，提取待处理的多个PDF文档中的文本信息和图片对象。将图片对象中的字符和相对应的第一位置信息关联，将图片对象中的图形和相对应的第二位置信息关联，可以得到该图片对象的图片信息，这样可方便快捷地从多个PDF文档中提取出相应的图片信息。通过关联存储各PDF文档各自的文本信息和图片信息，可跨文档建立相应的数据库，当需对多个PDF文档进行相关资料查询时，可以快速准确地定位到目标内容，大大提高了PDF文档的处理效率。
在一个实施例中，图片对象包括表格图片对象，图形包括单元格图形。步骤S206，也就是分别对图片对象进行图像识别，确定图片对象中的字符和图形的步骤包括：识别表格图片对象中的字符；定位表格图片对象中的表格线；确定由表格线交叉所形成的多个单元格图形。步骤S210，也就是将字符和第一位置信息进行关联处理，将图形和第二位置信息进行关联处理，得到图片对象的图片信息的步骤包括：根据第一位置信息和第二位置信息，确定单元格图形和字符的相对位置信息；根据单元格图形和字符的相对位置信息，确定与表格图片对象对应的图片信息。
具体地，服务器可对表格图片进行图像检测，提取出表格图片中的横线和竖线。在一个实施例中，服务器可设置长度阈值，将达到长度阈值的横线和竖线作为表格线。再根据表格线的坐标，确定表格线交叉所形成的多个单元格图形。识别各单元格图形中的字符。服务器可根据第一位置信息和第二位置信息，来确定单元格图形和字符的相对位置关系，也就是字符与单元格图形的对应关系。进而，服务器可根据表格线、以及处于由表格线所形成的单元格图形中的字符，确定表格图片对象对应的图片信息。
上述实施例中，定位表格线，并确定由表格线交叉所形成的多个单元格图形、以及各单元格图形中的字符，从而可以准确地提取出表格图片对象中的图片信息。
在一个实施例中，该文档处理方法还包括文本查询的步骤，该步骤包括：
S302，获取信息查询指令；信息查询指令携带查询文本。
其中，查询文本是用于查询目标文本的关键文本，具体可以是字、词、或句子等。具体地，服务器可接收终端发送的信息查询指令，其中，信息查询指令携带查询文本。
在一个实施例中，终端可提供查询入口，用户可通过查询入口采用文本或语音的方式传递查询文本。终端根据查询文本生成信息查询指令，并发送至服务器。
S304，从存储的文档信息中查询与查询文本相匹配的目标文本。
具体地，服务器可根据查询文本，从本地存储的文档信息中查询与查询文本相匹配的目标文本。在一个实施例中，服务器查询到的目标文本包括查询文本，或者服务器查询到的目标文本包括部分查询文本。
S306，响应于信息查询指令，反馈目标文本。
具体地，当服务器查询到目标文本后，可向终端反馈查询到的目标文本。终端接收到目标文本后可通过运行的客户端展示目标文本。
上述实施例中，通过从多个PDF文档分别关联存储的文档信息中，查询与查询文本相匹配的目标文本，可以避免用户打开很多的PDF文档，一个个分别搜索，大大提高了用户查询信息的效率。
在一个实施例中，从存储的文档信息中查询与查询文本相匹配的目标文本的步骤具体包括：对查询文本进行分词处理，得到相应的词序列；从词序列中筛选掉停用词，得到关键词词集；根据关键词词集中的关键词，从存储的文档信息中查询与查询文本相匹配的目标文本。
其中，分词是将文本切分成一个一个单独的词的过程。词序列是具有顺序的多个词所组成的序列。停用词是指在信息检索中，为节省存储空间和提高搜索效率，在处理自然语言数据(或文本)之前或之后会自动过滤掉的某些字或词，比如一些应用十分广泛的词、语气助词、客套词、介词或连接词等。
其中，分词算法有多种，比如，基于字符串匹配的分词算法、基于语义分析的分词算法或者基于统计的分词算法等。基于字符串匹配的分词算法如正向最大匹配算法、逆向最大匹配算法、最少切分算法或者双向最大匹配算法。分词模型是训练好的可用来分词的机器学习模型，分词模型具体可以是隐马尔可夫模型或CRF(conditional random fieldalgorithm，条件随机场算法)模型等。
在一个实施例中，服务器可采用分词算法或者分词模型对查询文本进行分词，得到相应的词序列。再从词序列中筛选掉停用词，得到关键词词集。进一步地，服务器可对关键词词集中的各关键词进行相应的搜索，也可对关键词进行多种组合，分别依据不同的组合进行相应的搜索。服务器可按搜索得到的目标文本与关键词词集中的关键词的匹配度，选择匹配度最高的目标文本作为查询结果并反馈给客户端。
上述实施例中，通过对查询文本进行分词处理，并去掉用词，得到关键词词集后，再根据关键词词集中的关键词，可以准确地从存储的文档信息中查询与查询文本相匹配的目标文本，
在一个实施例中，响应于信息查询指令，反馈目标文本的步骤具体包括：确定与目标文本相邻的上下文文本；响应于信息查询指令，反馈目标文本和上下文文本；反馈的目标文本和上下文文本用于在客户端所提供的展示页面上进行展示。
具体地，当服务器查询到与查询文本相匹配的目标文本时，服务器可定位匹配到的目标文本。并从存储的文档信息中确定与目标文本邻近的上下文文本，反馈目标文本的同时也可反馈上下文文本。其中，与目标文本邻近的上下文文本具体可以是与该目标文本处于同一段落中的文本，或者是与该文本处于相邻段落中的文本。
在一个实施例中，终端上运行的客户端接收到服务器所反馈的目标文本和相应的上下文本文本后，可展示目标文本和相应的上下文本文本。这样，用户便可明确地获取所查询的相关信息。
上述实施例中，当查找到目标文本时，可确定与目标文本相邻的上下文文本，反馈目标文本的同时也反馈相应的上下文文本，这样，用户可以直观地定位到目标文本及相关的文本。
在一个实施例中，该文档处理方法还包括查看文档的步骤，该步骤具体包括：获取文档查看指令；确定与目标文本相对应的PDF文档的文档标识；获取目标文本在PDF文档中的位置信息；响应于文档查看指令，反馈文档标识和位置信息。
其中，文档标识用于唯一标识该文档，具体可以是文字、字母、数字或字符串等。在本实施例中，文档标识比如文档名称、或文档编号等。具体地，服务器可接收终端发送的文档查看指令。根据文档查看指令，服务器可确定目标文本所在的PDF文档的文档标识，并获取目标文本该PDF文档中的位置信息。响应于文档查看指令，反馈文档标识和位置信息。
在一个实施例中，终端可提供文档查看入口，用户可通过文档查看入口触发文档查看指令。当终端接收到服务器所反馈的文档标识和位置信息时，终端可根据该文档标识打开相应的PDF文档，并根据该位置信息定位至PDF文档中目标文档所在的位置处。这样，用户就可可以直观的了解到所要查询的目标文本具体在哪个PDF文档中，以及具体在PDF文档的哪个位置处。
上述实施例中，当接收到文档查看指令时，可确定与目标文本相对应的PDF文档的文档标识，以及该目标文本在PDF文档中的位置信息。将文档标识和位置信息反馈至终端，可使终端展示目标文档所在的目标PDF文档、以及目标位置信息，大大提高了用户使用的便捷性。
应该理解的是，虽然图2-3的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2-3中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图4所示，提供了一种文档处理装置400，包括：获取模块401、提取模块402、确定模块403、关联模块404和存储模块405，其中：
获取模块401，用于获取待处理的多个PDF文档。
提取模块402，用于提取各PDF文档中的文本信息和图片对象。
确定模块403，用于分别对图片对象进行图像识别，确定图片对象中的字符和图形。
获取模块401还用于获取字符在图片对象中第一位置信息，及图形在图片对象中的第二位置信息。
关联模块404，用于将字符和第一位置信息进行关联处理，将图形和第二位置信息进行关联处理，得到图片对象的图片信息。
存储模块405，用于将文本信息和图片信息关联作为各PDF文档的文档信息，并相应存储文档信息。
在一个实施例中，图片对象包括表格图片对象，图形包括单元格图形。确定模块403还用于识别表格图片对象中的字符；定位表格图片对象中的表格线；确定由表格线交叉所形成的多个单元格图形。关联模块404还用于根据第一位置信息和第二位置信息，确定单元格图形和字符的相对位置信息；根据单元格图形和字符的相对位置信息，确定与表格图片对象对应的图片信息。
参考图5，在一个实施例中，该文档处理装置400还包括查询模块406和反馈模块407，其中：获取模块401还用于获取信息查询指令；信息查询指令携带查询文本。查询模块406，用于从存储的文档信息中查询与查询文本相匹配的目标文本。反馈模块407，用于响应于信息查询指令，反馈目标文本。
在一个实施例中，查询模块406还用于对查询文本进行分词处理，得到相应的词序列；从词序列中筛选掉停用词，得到关键词词集；根据关键词词集中的关键词，从存储的文档信息中查询与查询文本相匹配的目标文本。
在一个实施例中，反馈模块407还用于确定与目标文本相邻的上下文文本；响应于信息查询指令，反馈目标文本和上下文文本；反馈的目标文本和上下文文本用于在客户端所提供的展示页面上进行展示。
在一个实施例中，获取模块401还用于获取文档查看指令。确定模块403还用于确定与目标文本相对应的PDF文档的文档标识。获取模块401还用于获取目标文本在PDF文档中的位置信息。反馈模块407还用于响应于文档查看指令，反馈文档标识和位置信息。
上述文档处理装置，提取待处理的多个PDF文档中的文本信息和图片对象。将图片对象中的字符和相对应的第一位置信息关联，将图片对象中的图形和相对应的第二位置信息关联，可以得到该图片对象的图片信息，这样可方便快捷地从多个PDF文档中提取出相应的图片信息。通过关联存储各PDF文档各自的文本信息和图片信息，可跨文档建立相应的数据库，当需对多个PDF文档进行相关资料查询时，可以快速准确地定位到目标内容，大大提高了PDF文档的处理效率。
关于文档处理装置的具体限定可以参见上文中对于文档处理方法的限定，在此不再赘述。上述文档处理装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图6所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储文档信息。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种文档处理方法。
本领域技术人员可以理解，图6中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器存储有计算机程序，计算机程序被处理器执行时，使得处理器执行上述文档处理方法的步骤。此处文档处理方法的步骤可以是上述各个实施例的文档处理方法中的步骤。
在一个实施例中，提供了一种计算机可读存储介质，存储有计算机程序，计算机程序被处理器执行时，使得处理器执行上述文档处理方法的步骤。此处文档处理方法的步骤可以是上述各个实施例的文档处理方法中的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种文档处理方法，所述方法包括：
获取待处理的多个PDF文档；
提取各所述PDF文档中的文本信息和图片对象；
分别对所述图片对象进行图像识别，确定所述图片对象中的字符和图形；
获取所述字符在所述图片对象中第一位置信息，及所述图形在所述图片对象中的第二位置信息；
将所述字符和所述第一位置信息进行关联处理，将所述图形和所述第二位置信息进行关联处理，得到所述图片对象的图片信息；
将所述文本信息和图片信息关联作为各所述PDF文档的文档信息，并相应存储所述文档信息。
2.根据权利要求1所述的方法，其特征在于，所述图片对象包括表格图片对象，所述图形包括单元格图形；所述分别对所述图片对象进行图像识别，确定所述图片对象中的字符和图形，包括：
识别所述表格图片对象中的字符；
定位所述表格图片对象中的表格线；
确定由所述表格线交叉所形成的多个单元格图形；
所述将所述字符和所述第一位置信息进行关联处理，将所述图形和所述第二位置信息进行关联处理，得到所述图片对象的图片信息，包括：
根据所述第一位置信息和所述第二位置信息，确定所述单元格图形和所述字符的相对位置信息；
根据所述单元格图形和所述字符的相对位置信息，确定与所述表格图片对象对应的图片信息。
3.根据权利要求1所述的方法，其特征在于，所述方法还包括：
获取信息查询指令；所述信息查询指令携带查询文本；
从存储的所述文档信息中查询与所述查询文本相匹配的目标文本；
响应于所述信息查询指令，反馈所述目标文本。
4.根据权利要求3所述的方法，其特征在于，所述从存储的所述文档信息中查询与所述查询文本相匹配的目标文本，包括：
对所述查询文本进行分词处理，得到相应的词序列；
从所述词序列中筛选掉停用词，得到关键词词集；
根据所述关键词词集中的关键词，从存储的所述文档信息中查询与所述查询文本相匹配的目标文本。
5.根据权利要求3所述的方法，其特征在于，所述响应于所述信息查询指令，反馈所述目标文本，包括：
确定与所述目标文本相邻的上下文文本；
响应于所述信息查询指令，反馈所述目标文本和所述上下文文本；反馈的所述目标文本和所述上下文文本用于在客户端所提供的展示页面上进行展示。
6.根据权利要求3至5任一项所述的方法，其特征在于，所述方法还包括：
获取文档查看指令；
确定与所述目标文本相对应的PDF文档的文档标识；
获取所述目标文本在所述PDF文档中的位置信息；
响应于所述文档查看指令，反馈所述文档标识和所述位置信息。
7.一种文档处理装置，其特征在于，所述装置包括：
获取模块，用于获取待处理的多个PDF文档；
提取模块，用于提取各所述PDF文档中的文本信息和图片对象；
确定模块，用于分别对所述图片对象进行图像识别，确定所述图片对象中的字符和图形；
所述获取模块还用于获取所述字符在所述图片对象中第一位置信息，及所述图形在所述图片对象中的第二位置信息；
关联模块，用于将所述字符和所述第一位置信息进行关联处理，将所述图形和所述第二位置信息进行关联处理，得到所述图片对象的图片信息；
存储模块，用于将所述文本信息和图片信息关联作为各所述PDF文档的文档信息，并相应存储所述文档信息。
8.根据权利要求7所述的装置，其特征在于，所述装置还包括：
所述获取模块还用于获取信息查询指令；所述信息查询指令携带查询文本；
查询模块，用于从存储的所述文档信息中查询与所述查询文本相匹配的目标文本；
反馈模块，用于响应于所述信息查询指令，反馈所述目标文本。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910433867.9A CN110321470A (zh) | 2019-05-23 | 2019-05-23 | 文档处理方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910433867.9A CN110321470A (zh) | 2019-05-23 | 2019-05-23 | 文档处理方法、装置、计算机设备和存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110321470A true CN110321470A (zh) | 2019-10-11 |
Family
ID=68118883
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910433867.9A Pending CN110321470A (zh) | 2019-05-23 | 2019-05-23 | 文档处理方法、装置、计算机设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110321470A (zh) |
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110909123A (zh) * | 2019-10-23 | 2020-03-24 | 深圳价值在线信息科技股份有限公司 | 一种数据提取方法、装置、终端设备及存储介质 |
| CN111079037A (zh) * | 2019-12-12 | 2020-04-28 | 腾讯科技（深圳）有限公司 | 文档显示效果的评估方法、装置及计算机可读存储介质 |
| CN111191079A (zh) * | 2019-12-25 | 2020-05-22 | 中国平安财产保险股份有限公司 | 一种文档内容获取方法、装置、设备及存储介质 |
| CN112000615A (zh) * | 2020-08-13 | 2020-11-27 | 苏州艾特律宝智能科技有限公司 | 文件整理方法、系统、计算机设备及存储介质 |
| CN112307163A (zh) * | 2020-08-14 | 2021-02-02 | 新颖数位文创股份有限公司 | 对象识别装置和对象识别方法 |
| CN112328149A (zh) * | 2020-11-11 | 2021-02-05 | 维沃移动通信有限公司 | 图片格式的设置方法、装置及电子设备 |
| CN112784004A (zh) * | 2019-11-08 | 2021-05-11 | 浙江大搜车软件技术有限公司 | Pdf文档的检索方法、系统、电子设备、存储介质 |
| CN112835864A (zh) * | 2021-02-03 | 2021-05-25 | 北京联创信安科技股份有限公司 | 一种文件存储方法、装置、设备及存储介质 |
| CN113158655A (zh) * | 2020-01-23 | 2021-07-23 | 久瓴(上海)智能科技有限公司 | 文档信息处理方法、装置、计算机设备及可读存储介质 |
| CN113657274A (zh) * | 2021-08-17 | 2021-11-16 | 北京百度网讯科技有限公司 | 表格生成方法、装置、电子设备、存储介质及产品 |
| CN115525611A (zh) * | 2022-08-16 | 2022-12-27 | 北京矩阵分解科技有限公司 | 便携式文档格式文件中的关键词查询方法、装置及设备 |
| CN116702747A (zh) * | 2023-05-30 | 2023-09-05 | 珠海盈米基金销售有限公司 | Pdf在线阅读器设计方法、装置、计算机设备及介质 |
| CN111191079B (zh) * | 2019-12-25 | 2024-05-17 | 中国平安财产保险股份有限公司 | 一种文档内容获取方法、装置、设备及存储介质 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CA2153377A1 (en) * | 1994-09-12 | 1996-03-13 | Mohammad Daryoush Paknad | Method and apparatus for identifying words described in a portable electronic document |
| CA2341931A1 (en) * | 2000-03-24 | 2001-09-24 | Contentguard Holdings, Inc. | System and method for protection of digital works |
| CA2527436A1 (en) * | 2004-12-01 | 2006-06-01 | Research In Motion Limited | Method of finding a search string in a document for viewing on a mobile communication device |
| CN101441713A (zh) * | 2007-11-19 | 2009-05-27 | 汉王科技股份有限公司 | 一种pdf文件的光学字符识别方法及装置 |
| US20120008174A1 (en) * | 2010-07-06 | 2012-01-12 | Canon Kabushiki Kaisha | Image processing apparatus, image processing method, and computer-readable medium |
| CN102567300A (zh) * | 2011-12-29 | 2012-07-11 | 方正国际软件有限公司 | 图片文档的处理方法及装置 |
| JP2017068307A (ja) * | 2015-09-28 | 2017-04-06 | キヤノン株式会社 | 情報検索装置及びその制御方法、情報検索用プログラム |
| CN106897690A (zh) * | 2017-02-22 | 2017-06-27 | 南京述酷信息技术有限公司 | Pdf表格提取方法 |
| CN107346325A (zh) * | 2016-05-04 | 2017-11-14 | 中国石油集团长城钻探工程有限公司 | 信息查询方法及装置 |
-
2019
- 2019-05-23 CN CN201910433867.9A patent/CN110321470A/zh active Pending
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CA2153377A1 (en) * | 1994-09-12 | 1996-03-13 | Mohammad Daryoush Paknad | Method and apparatus for identifying words described in a portable electronic document |
| CA2341931A1 (en) * | 2000-03-24 | 2001-09-24 | Contentguard Holdings, Inc. | System and method for protection of digital works |
| CA2527436A1 (en) * | 2004-12-01 | 2006-06-01 | Research In Motion Limited | Method of finding a search string in a document for viewing on a mobile communication device |
| CN101441713A (zh) * | 2007-11-19 | 2009-05-27 | 汉王科技股份有限公司 | 一种pdf文件的光学字符识别方法及装置 |
| US20120008174A1 (en) * | 2010-07-06 | 2012-01-12 | Canon Kabushiki Kaisha | Image processing apparatus, image processing method, and computer-readable medium |
| CN102567300A (zh) * | 2011-12-29 | 2012-07-11 | 方正国际软件有限公司 | 图片文档的处理方法及装置 |
| JP2017068307A (ja) * | 2015-09-28 | 2017-04-06 | キヤノン株式会社 | 情報検索装置及びその制御方法、情報検索用プログラム |
| CN107346325A (zh) * | 2016-05-04 | 2017-11-14 | 中国石油集团长城钻探工程有限公司 | 信息查询方法及装置 |
| CN106897690A (zh) * | 2017-02-22 | 2017-06-27 | 南京述酷信息技术有限公司 | Pdf表格提取方法 |
Cited By (19)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110909123B (zh) * | 2019-10-23 | 2023-08-25 | 深圳价值在线信息科技股份有限公司 | 一种数据提取方法、装置、终端设备及存储介质 |
| CN110909123A (zh) * | 2019-10-23 | 2020-03-24 | 深圳价值在线信息科技股份有限公司 | 一种数据提取方法、装置、终端设备及存储介质 |
| CN112784004A (zh) * | 2019-11-08 | 2021-05-11 | 浙江大搜车软件技术有限公司 | Pdf文档的检索方法、系统、电子设备、存储介质 |
| CN111079037A (zh) * | 2019-12-12 | 2020-04-28 | 腾讯科技（深圳）有限公司 | 文档显示效果的评估方法、装置及计算机可读存储介质 |
| CN111079037B (zh) * | 2019-12-12 | 2023-09-22 | 腾讯科技（深圳）有限公司 | 文档显示效果的评估方法、装置及计算机可读存储介质 |
| CN111191079A (zh) * | 2019-12-25 | 2020-05-22 | 中国平安财产保险股份有限公司 | 一种文档内容获取方法、装置、设备及存储介质 |
| CN111191079B (zh) * | 2019-12-25 | 2024-05-17 | 中国平安财产保险股份有限公司 | 一种文档内容获取方法、装置、设备及存储介质 |
| CN113158655A (zh) * | 2020-01-23 | 2021-07-23 | 久瓴(上海)智能科技有限公司 | 文档信息处理方法、装置、计算机设备及可读存储介质 |
| CN112000615A (zh) * | 2020-08-13 | 2020-11-27 | 苏州艾特律宝智能科技有限公司 | 文件整理方法、系统、计算机设备及存储介质 |
| CN112000615B (zh) * | 2020-08-13 | 2024-03-01 | 苏州艾特律宝智能科技有限公司 | 文件整理方法、系统、计算机设备及存储介质 |
| CN112307163A (zh) * | 2020-08-14 | 2021-02-02 | 新颖数位文创股份有限公司 | 对象识别装置和对象识别方法 |
| CN112328149B (zh) * | 2020-11-11 | 2022-03-25 | 维沃移动通信有限公司 | 图片格式的设置方法、装置及电子设备 |
| CN112328149A (zh) * | 2020-11-11 | 2021-02-05 | 维沃移动通信有限公司 | 图片格式的设置方法、装置及电子设备 |
| CN112835864B (zh) * | 2021-02-03 | 2024-02-20 | 北京联创信安科技股份有限公司 | 一种文件存储方法、装置、设备及存储介质 |
| CN112835864A (zh) * | 2021-02-03 | 2021-05-25 | 北京联创信安科技股份有限公司 | 一种文件存储方法、装置、设备及存储介质 |
| CN113657274B (zh) * | 2021-08-17 | 2022-09-20 | 北京百度网讯科技有限公司 | 表格生成方法、装置、电子设备及存储介质 |
| CN113657274A (zh) * | 2021-08-17 | 2021-11-16 | 北京百度网讯科技有限公司 | 表格生成方法、装置、电子设备、存储介质及产品 |
| CN115525611A (zh) * | 2022-08-16 | 2022-12-27 | 北京矩阵分解科技有限公司 | 便携式文档格式文件中的关键词查询方法、装置及设备 |
| CN116702747A (zh) * | 2023-05-30 | 2023-09-05 | 珠海盈米基金销售有限公司 | Pdf在线阅读器设计方法、装置、计算机设备及介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110321470A (zh) | 文档处理方法、装置、计算机设备和存储介质 | |
| CN108304378B (zh) | 文本相似度计算方法、装置、计算机设备和存储介质 | |
| EP3855324A1 (en) | Associative recommendation method and apparatus, computer device, and storage medium | |
| US10659412B2 (en) | Method and device for saving chat record of instant messaging | |
| JP4806178B2 (ja) | ペンベースのコンピューティングシステムでの注釈の管理 | |
| CN106874292B (zh) | 话题处理方法及装置 | |
| US9141853B1 (en) | System and method for extracting information from documents | |
| US10528227B2 (en) | Systems and methods for linking attachments to chat messages | |
| CN110909120B (zh) | 简历搜索/投递方法、装置、系统及电子设备 | |
| US10152540B2 (en) | Linking thumbnail of image to web page | |
| US20150278248A1 (en) | Personal Information Management Service System | |
| CN111061887A (zh) | 一种新闻人物照片提取方法、装置、设备及存储介质 | |
| KR20210086836A (ko) | 텍스트 기반 이미지 검색을 위한 이미지 데이터 처리 방법 | |
| CN112541121A (zh) | 页面数据推送方法、装置、计算机设备及存储介质 | |
| WO2020258669A1 (zh) | 网址识别方法、装置、计算机设备和存储介质 | |
| US20180300392A1 (en) | Accumulated retrieval processing method, device, terminal, and storage medium | |
| US20220058214A1 (en) | Document information extraction method, storage medium and terminal | |
| CN110134846A (zh) | 文本的专有名词处理方法、装置和计算机设备 | |
| US20040010556A1 (en) | Electronic document information expansion apparatus, electronic document information expansion method , electronic document information expansion program, and recording medium which records electronic document information expansion program | |
| CN109783612B (zh) | 报表数据定位方法及装置、存储介质、终端 | |
| CN110308799A (zh) | 文本联想的方法、装置、计算机设备和存储介质 | |
| CN115686455A (zh) | 基于电子表格的应用开发方法、装置、设备及存储介质 | |
| JP2002024761A (ja) | 画像処理装置及び画像処理方法並びに記憶媒体 | |
| CN112800771B (zh) | 文章识别方法、装置、计算机可读存储介质和计算机设备 | |
| CN111783786A (zh) | 图片的识别方法、系统、电子设备及存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |