PDF文字提取方法和裝置

基本信息

申請(qǐng)?zhí)?/td> CN201711106231.0 申請(qǐng)日 -
公開(kāi)（公告）號(hào) CN108038093B 公開(kāi)（公告）日 2021-06-15
申請(qǐng)公布號(hào) CN108038093B 申請(qǐng)公布日 2021-06-15
分類號(hào) G06F40/126（2020.01）I;G06K9/00（2006.01）I 分類 計(jì)算；推算；計(jì)數(shù);
發(fā)明人 晏檢平 申請(qǐng)（專利權(quán)）人 深圳市億圖軟件有限公司
代理機(jī)構(gòu) 北京超凡宏宇專利代理事務(wù)所（特殊普通合伙） 代理人 程曉
地址 518000 廣東省深圳市南山區(qū)粵海街道高新區(qū)社區(qū)科技南路16號(hào)深圳灣科技生態(tài)園11棟A1204
法律狀態(tài) -

摘要

摘要 本發(fā)明適用于文字識(shí)別技術(shù)領(lǐng)域，提供了一種PDF文字提取方法和裝置，所述方法包括：獲取PDF頁(yè)面中的各個(gè)文本對(duì)象的第一編碼、字形位圖、內(nèi)嵌信息和字體信息；根據(jù)所述文本對(duì)象的字體信息判斷所述文本對(duì)象的字體類型得到第一判斷結(jié)果，根據(jù)所述文本對(duì)象的內(nèi)嵌信息判斷所述文本對(duì)象是否內(nèi)嵌在所述PDF頁(yè)面中得到第二判斷結(jié)果；根據(jù)所述第一判斷結(jié)果和所述第二判斷結(jié)果對(duì)所述文本對(duì)象進(jìn)行提取。本發(fā)明實(shí)現(xiàn)了提高PDF文字提取的正確率，并且不需要將所有PDF文字進(jìn)行OCR識(shí)別，節(jié)約了PDF文字提取的時(shí)間。