CN115116070A - 一种精准切割pdf的方法、装置、设备及存储介质 - Google Patents
一种精准切割pdf的方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN115116070A CN115116070A CN202210840545.8A CN202210840545A CN115116070A CN 115116070 A CN115116070 A CN 115116070A CN 202210840545 A CN202210840545 A CN 202210840545A CN 115116070 A CN115116070 A CN 115116070A
- Authority
- CN
- China
- Prior art keywords
- target
- information
- pdf file
- cutting
- original
- 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
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000004590 computer program Methods 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 16
- 238000012795 verification Methods 0.000 claims description 16
- 238000001914 filtration Methods 0.000 claims description 4
- 238000004891 communication Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000012015 optical character recognition Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000003993 interaction Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- 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
- G06V30/10—Character recognition
- G06V30/14—Image acquisition
- G06V30/148—Segmentation of character regions
- G06V30/15—Cutting or merging image elements, e.g. region growing, watershed or clustering-based techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/10—Text processing
- G06F40/103—Formatting, i.e. changing of presentation of documents
- G06F40/114—Pagination
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/258—Heading extraction; Automatic titling; Numbering
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种精准切割PDF的方法、装置、设备及存储介质。获取原始PDF文件,并对原始PDF文件建立坐标系;获取目标信息,基于锚点算法在坐标系中将目标信息与原始PDF文件进行匹配生成匹配信息,其中,匹配信息包括坐标域及区域信息;根据匹配信息对原始PDF文件进行切割生成切割目标,其中,切割目标包括区域信息;根据切割目标生成目标PDF文件。通过锚点算法在原始PDF文件的坐标系中匹配的方式,实现了对目标信息的准确定位,通过匹配信息对原始PDF文件进行切割生成切割目标,再根据切割目标生成目标PDF文件的方式,可以使用户更直观的掌握目标信息,同时减小了用户的工作量,提高了用户的工作效率。
Description
技术领域
本发明涉及文件切割技术领域,尤其涉及一种精准切割PDF的方法、装置、设备及存储介质。
背景技术
目前,当PDF文件中有需要进行核查的信息时,需要人工在PDF进行遍历查找,如果PDF页数较多,信息分散,从直观上搜索也并不能很好的定位,进而导致人工操作起来耗时耗力。
现有技术中通常是先将PDF文件每页转化为图片,再借助于OCR去识别定位实现,若有多条数据信息还需要继续核对其他信息,还需要人工区分校验的过程。
现有技术通过OCR去识别定位的方式错误率高,而且通过人工区分校验的过程,导致用户工作量大、工作效率低。
发明内容
本发明提供了一种精准切割PDF的方法、装置、设备及存储介质,以实现在PDF中对目标信息的精准切割。
根据本发明的一方面,提供了一种精准切割PDF的方法,包括:
获取原始PDF文件,并对原始PDF文件建立坐标系;
获取目标信息,基于锚点算法在坐标系中将目标信息与原始PDF文件进行匹配生成匹配信息,其中,匹配信息包括坐标域及区域信息;
根据匹配信息对原始PDF文件进行切割生成切割目标,其中,切割目标包括区域信息;
根据切割目标生成目标PDF文件。
根据本发明的另一方面,提供了一种精准切割PDF的装置,包括:
PDF坐标系建立模块,用于获取原始PDF文件,并对原始PDF文件建立坐标系;
目标信息匹配模块,用于获取目标信息,基于锚点算法在坐标系中将目标信息与原始PDF文件进行匹配生成匹配信息,其中,匹配信息包括坐标域及区域信息;
切割目标生成模块,用于根据匹配信息对原始PDF文件进行切割生成切割目标,其中,切割目标包括区域信息;
目标文件生成模块,用于根据切割目标生成目标PDF文件。
根据本发明的另一方面,提供了一种电子设备,所述电子设备包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行本发明任一实施例所述的一种精准切割PDF的方法。
根据本发明的另一方面,提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使处理器执行时实现本发明任一实施例所述的一种精准切割PDF的方法。
本发明实施例的技术方案,通过锚点算法在原始PDF文件的坐标系中匹配的方式,实现了对目标信息的准确定位,通过匹配信息对原始PDF文件进行切割生成切割目标,再根据切割目标生成目标PDF文件的方式,可以使用户更直观的掌握目标信息,同时减小了用户的工作量,提高了用户的工作效率。
应当理解,本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征,也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是根据本发明实施例一提供的一种精准切割PDF的方法的流程图;
图2是根据本发明实施例二提供的一种精准切割PDF的方法的流程图;
图3是根据本发明实施例三提供的一种精准切割PDF的装置的结构示意图;
图4是实现本发明实施例的一种精准切割PDF的方法的电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例一
图1为本发明实施例一提供了一种精准切割PDF的方法的流程图,本实施例可适用于在PDF中截取目标信息的情况,如图1所示,该方法包括:
S110、获取原始PDF文件,并对原始PDF文件建立坐标系。
其中,PDF是一种通用文件格式,能够保存任何源文档的所有字体、格式、颜色和图形,而不受创建该文档所使用的应用程序和平台影响;坐标系是指二维平面直角坐标系,包括x轴、y轴和原点,建立坐标系是为了对PDF文件中内容的具体位置使用坐标进行表示,便于用户在使用时对PDF文件中的内容进行定位。
优选的,获取原始PDF文件,并对原始PDF文件建立坐标系,包括:获取原始PDF文件,通过分页器将原始PDF文件进行分页获取PDF分页;针对每个PDF分页分别建立坐标系。
具体的,获取原始PDF文件的方式可以是用户在控制器输入的,用户可以在与控制器相连的终端设备上选择原始PDF文件,用户是指操作控制器的工作人员或者是技术人员,输入的原始PDF文件可以是一个或多个,也可以是控制器根据实际场景自动抓取的,例如,用户当前的使用场景是学生信息名单查询,此时控制器会自动抓取与学生信息名单相关的全部PDF文件作为原始PDF文件。分页器是将原始PDF文件中全部页面中每个单独的页面分开获取PDF分页,并为每个PDF分页赋予页码,对原始PDF文件建立坐标系就是在每个PDF分页分别建立坐标系。示例性的,以每个PDF分页的左上角作为坐标原点,x轴正半轴是原点开始向右延伸的轴,y轴正半轴是原点开始向下延伸的轴,以每0.5cm作为间距,即每0.5cm代表数字1,本实施方式中仅以在PDF分页的左上角作为坐标原点为例进行说明,并不对坐标系具体建立方式进行限定。
优选的,获取原始PDF文件之后,还包括;建立与原始PDF文件匹配的处理工具,其中,处理工具包括文件解释器工具、页面聚合器工具和设备工具。
具体的,获取原始PDF文件后,需要读取原始PDF文件的二进制文件流,读取二进制文件流的目的是便于后续对原始PDF文件进行处理,二进制文件流比普通文本节省空间,可以大大加快读取速度,提高效率,例如,二进制文件流可以表示为:00000111 11010001;读取原始PDF文件的二进制文件流后,建立与原始PDF文件匹配的处理工具,即文件解释器工具、页面聚合器工具和设备工具,并且可以采用上述所建立的处理工具在对原始PDF文件进行相关的分割处理。
S120、获取目标信息,基于锚点算法在坐标系中将目标信息与原始PDF文件进行匹配生成匹配信息。
其中,目标信息是指用户想要查看或者需要查询的信息,用户可选择直接输入的方式通过与控制器相连的终端设备输入目标信息,也可以通过点击目标信息列表间接输入,输入的内容通常是文字形式,目标信息列表可以是控制器根据原始PDF文件中的场景自动化抓取的,抓取后的目标信息列表可以在用户打开原始PDF文件后展示给用户,例如,原始PDF文件为人员某月考勤表,控制器可以自动抓取该月份中每天的日期作为目标信息列表展示给用户以供用户进行选择,用户可以通过点击目标信息列表的方式输入想要查找的目标信息。锚点算法是一种比对算法,基于锚点算法可以在坐标系中将目标信息与原始PDF文件进行比对,生成匹配信息,匹配信息包括坐标域及区域信息。
优选的,获取目标信息,基于锚点算法在坐标系中将目标信息与原始PDF文件进行匹配生成匹配信息,包括:获取目标信息,并根据目标信息建立锚点;通过文件解释器工具获取原始PDF文件中每个PDF分页的坐标系、页面布局及页标;通过锚点计算与每个PDF分页中内容的交并比;将交并比大于预设阈值的内容对应的坐标作为坐标域;通过设备工具读取内容的文字作为区域信息;将坐标域和区域信息作为匹配信息。
具体的,可以将用户输入的目标信息作为锚点,锚点可以是文字或者是图片,如果使用文字锚点,则可直接将用户输入的目标信息作为锚点,如果使用图片锚点,则可通过光学字符识别(Optical Character Recognition,OCR)将目标信息中的文字转换成图片,然后将转换成的图片作为锚点,然后通过文件解释器工具获取原始PDF文件中每个PDF分页的坐标系、页面布局及页标,文件解释器工具主要对原始PDF文件起分类和解析的作用,得到每个PDF分页的坐标系、页面布局及页标后通过锚点循环遍历每个PDF分页中的内容,计算锚点与每个PDF分页中内容的交并比,交并比是指锚点和PDF分页中的内容边界相交面积与相并面积之比,交并比是介于0-1之间的一个数值,数值越接近1,表示与目标信息越匹配。匹配信息包括坐标域和区域信息,计算出交并比后,可以将交并比大于预设阈值的内容对应的坐标作为坐标域,此时的坐标域是根据页面布局和页标确定的,是将与锚点匹配的交并比大于预设阈值的信息所在行或所在段的坐标输出作为坐标域,预设阈值可以是用户根据需要进行预设的,例如,可以设置预设阈值为0.9,当PDF分页中的内容的交并比大于0.9时,即可输出该内容对应的坐标域和区域信息作为匹配信息,区域信息的范围可以是控制器根据页面布局进行判断的,也可以是用户进行设置的,用户可以设置输出区域信息所在行或者是所在段落作为区域信息的范围,区域信息的所在范围的坐标即为坐标域,一般用四个坐标表示,即分别以区域信息的左上角、左下角、右上角和右下角四个顶点的坐标作为坐标域,然后通过设备工具读取坐标域内的文字作为区域信息。
示例性的,用户所输入的目标信息为“张三”,通过匹配确定在一个PDF分页中存在交并比为1的内容,大于预设阈值0.9,通过页面布局可以获得“张三”所在行的文字内容为“张三数学成绩90分”,并且可以得到页标为P3,此时“张三数学成绩90分”所在的横纵坐标为P3(2,5)、(2,8)、(5,5)、(5,8),将此坐标域输出作为匹配信息的坐标域,通过设备工具读取内容的文字作为区域信息,即“张三数学成绩90分”的文字输出作为匹配信息的区域信息。
进一步的,获取目标信息,基于锚点算法在坐标系中将目标信息与原始PDF文件进行匹配也会生成匹配失败信息,生成匹配失败信息代表原始PDF文件中并没有与目标信息相匹配的内容,此时会向用户推送匹配失败提醒,提醒可以是通过向与控制器连接的终端展示文字的方式,提醒内容为:未匹配到相关信息;对于没有生成匹配信息的目标信息,基本可以认定目标信息不存在于原始PDF文件中。
优选的,匹配信息包含至少两个相同的区域信息时,还包括:获取校验信息,并通过校验信息对匹配信息进行过滤生成更新后的匹配信息。
具体的,当用户输入目标信息后,得到的匹配信息会有多条的情况,即匹配信息包含至少两个相同的区域信息的情况,此时用户可以输入校验信息对得到的匹配信息进行校验,加入多信息校验,可以增强匹配准确度,也省去人工复核的工作量,输入的校验信息也会作为锚点,对得到的匹配信息进行过滤生成更新后的匹配信息;例如,当用户输入“张三”后,存在多条匹配信息,用户可以输入“北京人”作为校验信息,对多条匹配信息进行过滤生成更新后的匹配信息,更新后的匹配信息同时包含“张三”和“北京人”对应的内容。
S130、根据匹配信息对原始PDF文件进行切割生成切割目标。
切割是指对原始PDF文件进行截图的操作,得到匹配信息后,控制器可以根据匹配信息对原始PDF文件中包含匹配信息的部分进行切割生成切割目标,其中,切割目标包括区域信息。
优选的,根据坐标域确定切割位置;通过页面聚合器根据切割位置对原始PDF文件的区域信息进行切割生成切割目标。
具体的,控制器可以根据坐标域确定切割位置,例如,坐标域为P3(2,5)、(2,8)、(5,5)、(5,8),切割位置即为原始PDF文件中第三页横坐标2-5,纵坐标5-8的范围,确定好切割位置后,通过页面聚合器根据切割位置对原始PDF文件的区域信息进行切割生成切割目标,页面聚合器可以对无关信息进行隐藏,对有用数据进行显示,从而可以对页面尺寸进行切割生成切割目标,切割目标中包括区域信息。
优选的,根据匹配信息对原始PDF文件进行切割生成切割目标,还包括:根据更新后的匹配信息对原始PDF文件进行切割生成切割目标。
具体的,若存在多条匹配信息,用户输入校验信息进行过滤的情况,则此时根据更新后的匹配信息对原始PDF文件进行切割生成切割目标,即根据更新后的坐标域确定切割位置,此时的切割目标中包含更新后的区域信息。
S140、根据切割目标生成目标PDF文件。
具体的,在生成切割目标后,控制器会将切割目标保存为目标PDF文件,此时用户可以通过点击目标PDF文件来查看与输入的目标信息匹配的内容。
本发明实施例的技术方案,通过锚点算法在原始PDF文件的坐标系中匹配的方式,实现了对目标信息的准确定位,通过匹配信息对原始PDF文件进行切割生成切割目标,再根据切割目标生成目标PDF文件的方式,可以使用户更直观的掌握目标信息,同时减小了用户的工作量,提高了用户的工作效率。
实施例二
图2为本发明实施例二提供的一种精准切割PDF的方法的流程图,本实施例的技术方案对上述根据切割目标生成目标PDF文件进行具体说明,步骤S210和S230的具体内容与实施例一中的步骤S110和S130大致相同,因此本实施方式中不再进行赘述。如图2所示,该方法包括:
S210、获取原始PDF文件,并对原始PDF文件建立坐标系。
S220、获取目标信息,基于锚点算法在坐标系中将目标信息与原始PDF文件进行匹配生成匹配信息。
S230、根据匹配信息对原始PDF文件进行切割生成切割目标。
S240、创建新的空白PDF文件。
具体的,生成切割目标后,控制器会自动创建新的空白PDF文件,当切割目标只有1个时,控制器会创建1个新的空白PDF文件,而当切割目标为多个时,控制器会根据切割目标的数量创建空白PDF文件,例如,生成3个切割目标,控制器会创建3个空白PDF文件。
S250、将切割目标添加至空白PDF文件中,以生成目标PDF文件。
具体的,控制器会将切割目标添加至新创建的空白PDF文件中,添加的方式是依据切割目标在原始PDF文件中的坐标域,例如,切割目标在原始PDF文件中的坐标域为P3(2,5)、(2,8)、(5,5)、(5,8),控制器会按照该坐标域将切割目标添加在新创建的空白PDF文件的首页中,即切割目标在新创建的空白PDF文件中的坐标域为P1(2,5)、(2,8)、(5,5)、(5,8),并且可以按照用户设定的命名规则命名生成目标PDF文件,此时已完全保证了截取的切割目标和原始PDF文件区域信息的格式一致;当存在多个切割目标时,例如,生成3个切割目标,控制器会创建3个空白PDF文件,控制器会按照每个切割目标在原始PDF文件中的坐标域将3个切割目标分别添加在3个新创建的空白PDF文件的首页中生成3个目标PDF文件,并且控制器还会将3个目标PDF文件汇总,便于用户进行查看及后续的操作。
具体应用场景:1.学生信息打印:使用本技术方案,去某大学网站自动下载PDF文件名单,对接内部核查信息系统,当有需要核查的学生数据时,根据学生姓名,专业,学生编号去PDF文件中进行自动查询,核验,截取;最终将核查成功或失败的结果,及截取的结果返回到核查信息系统中,即自动化完成整个学生信息数据核验的过程。
2.银行回单打印:使本技术方案,去某银行网站下载银行回单PDF文件,输入提前设置的此银行截取区域参数,将此PDF每页文件按照参数进行截取,重命名保存在本地,最终将此部分数据传输至服务器,方便各区域业务老师的使用打印。
本发明实施例的技术方案,通过锚点算法在原始PDF文件的坐标系中匹配的方式,实现了对目标信息的准确定位,通过匹配信息对原始PDF文件进行切割生成切割目标,再通过创建新的空白PDF文件将切割目标添加至空白PDF文件中生成目标PDF文件,实现了对目标信息的精准切割,可以使用户更直观的掌握目标信息,同时减小了用户的工作量,提高了用户的工作效率。
实施例三
图3为本发明实施例三提供的一种精准切割PDF的装置的结构示意图。如图3所示,该装置包括:PDF坐标系建立模块310,用于获取原始PDF文件,并对原始PDF文件建立坐标系;目标信息匹配模块320,用于获取目标信息,基于锚点算法在坐标系中将目标信息与原始PDF文件进行匹配生成匹配信息,其中,匹配信息包括坐标域及区域信息;切割目标生成模块330,用于根据匹配信息对原始PDF文件进行切割生成切割目标,其中,切割目标包括区域信息;目标文件生成模块,用于根据切割目标生成目标PDF文件。
优选的,PDF坐标系建立模块310,包括:PDF文件获取单元,用于获取原始PDF文件,通过分页器将原始PDF文件进行分页获取PDF分页;坐标建立单元,用于针对每个PDF分页分别建立坐标系。
优选的,PDF坐标系建立模块310,还包括:处理工具建立单元,用于在获取原始PDF文件之后,建立与PDF文件匹配的处理工具,其中,处理工具包括文件解释器工具、页面聚合器工具和设备工具。
优选的,目标信息匹配模块320,具体用于获取目标信息,并根据目标信息建立锚点;通过文件解释器工具获取原始PDF文件中每个PDF分页的坐标系、页面布局及页标;通过锚点计算与每个PDF分页中内容的交并比;将交并比大于预设阈值的内容对应的坐标作为坐标域;通过设备工具读取内容的文字作为区域信息;将坐标域和区域信息作为匹配信息。
优选的,装置还包括匹配信息校验模块,具体用于:当匹配信息包含至少两个相同的区域信息时,获取校验信息,并通过校验信息对匹配信息进行过滤生成更新后的匹配信息;根据匹配信息对原始PDF文件进行切割生成切割目标,包括:根据更新后的匹配信息对原始PDF文件进行切割生成切割目标。
优选的,切割目标生成模块330,具体用于:根据坐标域确定切割位置;通过页面聚合器根据切割位置对原始PDF文件的区域信息进行切割生成切割目标。
优选的,目标文件生成模块340,具体用于:创建新的空白PDF文件;将切割目标添加至空白PDF文件中,以生成目标PDF文件。
本发明实施例的技术方案,通过锚点算法在原始PDF文件的坐标系中匹配的方式,实现了对目标信息的准确定位,通过匹配信息对原始PDF文件进行切割生成切割目标,再根据切割目标生成目标PDF文件的方式,可以使用户更直观的掌握目标信息,同时减小了用户的工作量,提高了用户的工作效率。
本发明实施例所提供的一种精准切割PDF的装置可执行本发明任意实施例所提供的一种精准切割PDF的方法,具备执行方法相应的功能模块和有益效果。
实施例四
图4示出了可以用来实施本发明的实施例的电子设备10的结构示意图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本发明的实现。
如图4所示,电子设备10包括至少一个处理器11,以及与至少一个处理器11通信连接的存储器,如只读存储器(ROM)12、随机访问存储器(RAM)13等,其中,存储器存储有可被至少一个处理器执行的计算机程序,处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序,来执行各种适当的动作和处理。在RAM 13中,还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。
电子设备10中的多个部件连接至I/O接口15,包括:输入单元16,例如键盘、鼠标等;输出单元17,例如各种类型的显示器、扬声器等;存储单元18,例如磁盘、光盘等;以及通信单元19,例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理,例如精准切割PDF的方法。
在一些实施例中,精准切割PDF的方法可被实现为计算机程序,其被有形地包含于计算机可读存储介质,例如存储单元18。在一些实施例中,计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时,可以执行上文描述的精准切割PDF的方法的一个或多个步骤。备选地,在其他实施例中,处理器11可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行精准切割PDF的方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器,使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中,计算机可读存储介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。备选地,计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在电子设备上实施此处描述的系统和技术,该电子设备具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务中,存在的管理难度大,业务扩展性弱的缺陷。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本发明的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (10)
1.一种精准切割PDF的方法,其特征在于,包括:
获取原始PDF文件,并对所述原始PDF文件建立坐标系;
获取目标信息,基于锚点算法在所述坐标系中将所述目标信息与所述原始PDF文件进行匹配生成匹配信息,其中,所述匹配信息包括坐标域及区域信息;
根据所述匹配信息对所述原始PDF文件进行切割生成切割目标,其中,所述切割目标包括所述区域信息;
根据所述切割目标生成目标PDF文件。
2.根据权利要求1所述的方法,其特征在于,所述获取原始PDF文件,并对所述原始PDF文件建立坐标系,包括:
获取原始PDF文件,通过分页器将所述原始PDF文件进行分页获取PDF分页;
针对每个所述PDF分页分别建立坐标系。
3.根据权利要求2所述的方法,其特征在于,所述获取原始PDF文件之后,还包括;
建立与所述原始PDF文件匹配的处理工具,其中,所述处理工具包括文件解释器工具、页面聚合器工具和设备工具。
4.根据权利要求3所述的方法,其特征在于,所述获取目标信息,基于锚点算法在所述坐标系中将所述目标信息与所述原始PDF文件进行匹配生成匹配信息,包括:
获取目标信息,并根据所述目标信息建立锚点;
通过所述文件解释器工具获取所述原始PDF文件中每个所述PDF分页的坐标系、页面布局及页标;
通过所述锚点计算与每个所述PDF分页中内容的交并比;
将所述交并比大于预设阈值的所述内容对应的坐标作为坐标域;
通过所述设备工具读取所述内容的文字作为区域信息;
将所述坐标域和所述区域信息作为所述匹配信息。
5.根据权利要求4所述的方法,其特征在于,所述匹配信息包含至少两个相同的所述区域信息时,还包括:
获取校验信息,并通过所述校验信息对所述匹配信息进行过滤生成更新后的匹配信息;
所述根据所述匹配信息对所述原始PDF文件进行切割生成切割目标,包括:
根据所述更新后的匹配信息对所述原始PDF文件进行切割生成所述切割目标。
6.根据权利要求5所述的方法,其特征在于,所述根据所述匹配信息对所述原始PDF文件进行切割生成切割目标,包括:
根据所述坐标域确定切割位置;
通过所述页面聚合器根据所述切割位置对所述原始PDF文件的所述区域信息进行切割生成切割目标。
7.根据权利要求6所述的方法,其特征在于,所述根据所述切割目标生成目标PDF文件,包括:
创建新的空白PDF文件;
将所述切割目标添加至所述空白PDF文件中,以生成所述目标PDF文件。
8.一种精准切割PDF的装置,其特征在于,包括:
PDF坐标系建立模块,用于获取原始PDF文件,并对所述原始PDF文件建立坐标系;
目标信息匹配模块,用于获取目标信息,基于锚点算法在所述坐标系中将所述目标信息与所述原始PDF文件进行匹配生成匹配信息,其中,所述匹配信息包括坐标域及区域信息;
切割目标生成模块,用于根据所述匹配信息对所述原始PDF文件进行切割生成切割目标,其中,所述切割目标包括所述区域信息;
目标文件生成模块,用于根据所述切割目标生成目标PDF文件。
9.一种电子设备,其特征在于,所述电子设备包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-7所述的方法。
10.一种计算机存储介质,其特征在于,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使处理器执行时实现权利要求1-7中所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210840545.8A CN115116070A (zh) | 2022-07-18 | 2022-07-18 | 一种精准切割pdf的方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210840545.8A CN115116070A (zh) | 2022-07-18 | 2022-07-18 | 一种精准切割pdf的方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115116070A true CN115116070A (zh) | 2022-09-27 |
Family
ID=83332088
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210840545.8A Pending CN115116070A (zh) | 2022-07-18 | 2022-07-18 | 一种精准切割pdf的方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115116070A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118015024A (zh) * | 2024-02-19 | 2024-05-10 | 广州融智共创科技有限公司 | 一种基于企业财税的pdf动态切割方法、系统、设备及介质 |
-
2022
- 2022-07-18 CN CN202210840545.8A patent/CN115116070A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118015024A (zh) * | 2024-02-19 | 2024-05-10 | 广州融智共创科技有限公司 | 一种基于企业财税的pdf动态切割方法、系统、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113705554A (zh) | 图像识别模型的训练方法、装置、设备及存储介质 | |
CN112560862A (zh) | 文本识别方法、装置及电子设备 | |
CN113591580B (zh) | 图像标注方法、装置、电子设备和存储介质 | |
CN115880536A (zh) | 数据处理方法、训练方法、目标对象检测方法及装置 | |
CN114021156A (zh) | 漏洞自动化聚合的整理方法、装置、设备以及存储介质 | |
CN117851575A (zh) | 一种大语言模型问答优化方法、装置、电子设备及存储介质 | |
CN112328805A (zh) | 基于nlp的漏洞描述信息与数据库表的实体映射方法 | |
CN115116070A (zh) | 一种精准切割pdf的方法、装置、设备及存储介质 | |
CN114416906A (zh) | 地图数据的质检方法、装置及电子设备 | |
CN116074183B (zh) | 一种基于规则引擎的c3超时分析方法、装置及设备 | |
CN115048352B (zh) | 一种日志字段提取方法、装置、设备和存储介质 | |
CN115937891A (zh) | 文档比对方法、装置、设备和介质 | |
CN116414814A (zh) | 数据检核方法、装置、设备、存储介质和程序产品 | |
CN115934928A (zh) | 一种信息抽取方法、装置、设备及存储介质 | |
CN115600592A (zh) | 文本内容的关键信息提取方法、装置、设备及介质 | |
CN115544010A (zh) | 一种映射关系确定方法、装置、电子设备及存储介质 | |
CN114049686A (zh) | 签名识别模型训练方法、装置及电子设备 | |
CN115374499A (zh) | 一种尺寸标注方法、装置、电子设备及存储介质 | |
CN114443493A (zh) | 一种测试案例生成方法、装置、电子设备和存储介质 | |
CN113971810A (zh) | 文档生成方法、装置、平台、电子设备以及存储介质 | |
CN116796711A (zh) | 一种基于车辆零件的信息汇总方法、装置、设备及介质 | |
CN114998906A (zh) | 文本检测方法、模型的训练方法、装置、电子设备及介质 | |
CN117609406A (zh) | 一种坐标系识别方法、装置、电子设备及存储介质 | |
CN115794830A (zh) | 数据值确定方法、装置、电子设备及存储介质 | |
CN114911963A (zh) | 一种模板图片分类方法、装置、设备、存储介质及产品 |
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 |