專利名稱：一種基于pdf的復(fù)雜版面的標(biāo)引方法
技術(shù)領(lǐng)域：
本發(fā)明屬于信息技術(shù)領(lǐng)域，具體涉及一種基于PDF的復(fù)雜版面的標(biāo)引 方法。
背景技術(shù)：
在報業(yè)、出版社等行業(yè)中，使用排版軟件排版完成后，需要從己經(jīng)生 產(chǎn)的版面中提取文章以及相關(guān)的元數(shù)據(jù)信息，以便進(jìn)一步利用，就是文章 信息的重構(gòu)和標(biāo)引。為了更真實還原版面的內(nèi)容，除了需要文章本身的內(nèi) 容信息(如標(biāo)題、引題、副題、作者、正文等多項信息)以外，在標(biāo)引時 還提取需要文字塊的位置、字體字號等信息。
目前，從版面中提取文章信息的方法(也稱反解和標(biāo)引)有以下幾種
(1) 通過排版軟件本身的能力導(dǎo)出xml文件， 一般都包含文章的
內(nèi)容信息，但不同排版軟件輸出的內(nèi)容不同，如有些不提供 標(biāo)題信息，多數(shù)的排版軟件并不導(dǎo)出文字塊的位置信息，使 得文章的信息不完整，往往需要通過手工的方式進(jìn)行補充，
效率非常低；另外，應(yīng)用本方法還必須能夠獲得原始排版文
件，而一些需要反解和標(biāo)引的場合下，是無法獲得原始排版
文件的；
(2) 通過軟插件技術(shù)對排版軟件進(jìn)行擴(kuò)充，允許進(jìn)行一些半自動 化的信息提取和人工標(biāo)引。專利CN200610112710. 9公布了"一 種提取見報資料數(shù)據(jù)信息的方法"可以基于版面文件結(jié)合人 工干預(yù)來提取和表演文章。這種方法的優(yōu)點是可以提取比較 完備和準(zhǔn)確的信息，其缺點是a)不同的排版軟件需要開發(fā) 不同的軟插件，開發(fā)難度和工作量大；b)必須能夠提供原始 的排版文件，才能進(jìn)行標(biāo)引。c)隨著排版軟件本身的發(fā)展和 升級， 一些老的數(shù)據(jù)格式不再支持，因此大量的歷史數(shù)據(jù)無
法進(jìn)行標(biāo)引和重新利用；
(3) 對排版軟件輸出的結(jié)果文件格式(PS格式)進(jìn)行標(biāo)引，其中 的代表性的技術(shù)是"方正全真軟件"，用來反解和表演方正 飛騰排版輸出的PS文件。由于目前對PS的反解技術(shù)，主要 是利用PS中的注釋進(jìn)行的，不同排版軟件輸出的注釋不同， 導(dǎo)致反解和標(biāo)引軟件不同通用。隨著印刷技術(shù)的發(fā)展，基于 PDF的RIP技術(shù)慢慢取代PS，因此有些排版軟件和流程中直 接得到的就是PDF而不再是PS 了。另外，大量的歷史數(shù)據(jù)是 PDF格式的而不存在PS文件，導(dǎo)致PS反解和標(biāo)引無法應(yīng)用；
(4) 多數(shù)排版軟件可以生成PDF格式的文件，大量的歷史數(shù)據(jù)是 基于PDF的，因此基于PDF的反解和標(biāo)引的應(yīng)用面很廣。專 利CN200510039015. x公布了 "一種基于xml的PDF文檔信息 抽取系統(tǒng)的方法"，主要是把PDF文件的物理結(jié)構(gòu)轉(zhuǎn)換為邏 輯結(jié)構(gòu)，但并沒有進(jìn)行文字成塊和成文的處理。專利 CN200510122890. 4公布了 "一種從PDF文檔到XML文檔轉(zhuǎn)換 的方法"，通過第三方的工具把PDF轉(zhuǎn)為平級的xml文檔， 再通過xslt結(jié)合規(guī)則提取xml中信息，其應(yīng)用的前提是PDF 版面本身較為簡單，結(jié)構(gòu)較為一致，使用簡單的xpath的規(guī) 則就可以提取xml信息，并不適用報刊這樣的復(fù)雜版面。專 利CN200410091432. 4公布的"一種對報紙版面進(jìn)行標(biāo)題與 正文邏輯關(guān)聯(lián)的方法"以及專利專利200410091434. 3公布的
"一種對報紙版面進(jìn)行文字閱讀順序恢復(fù)的方法"，均是后 續(xù)的成文的方法，并沒有涉及文字塊的生成和合并規(guī)則和整 個提取內(nèi)容和位置等信息的流程。專利200610007221.7 " — 種在報紙版面上檢査標(biāo)引稿件的方法及系統(tǒng)"和專利 200610065665.6 "—種報刊版面網(wǎng)絡(luò)標(biāo)引的方法及系統(tǒng)"均 在組版軟件以及組版環(huán)境可用的情形下進(jìn)行復(fù)雜版面的反解 和標(biāo)引，不能應(yīng)用到PDF的反解和標(biāo)引中。 可見，在現(xiàn)有技術(shù)中，對于缺少原始組版文件、或缺少軟插件可用的 場合，尚沒有一種能對復(fù)雜版面數(shù)據(jù)源進(jìn)行通用反解和標(biāo)引的高效的方法。

發(fā)明內(nèi)容
針對現(xiàn)有技術(shù)中存在的缺陷，本發(fā)明的目的是提供一種省時、省力的
統(tǒng)一的PDF復(fù)雜版面的標(biāo)引方法，該方法只需要PDF數(shù)據(jù)、最大限度減少 了對數(shù)據(jù)源的要求，具有廣泛的適應(yīng)性，同時該方法可以自動化處理復(fù)雜 版面的文字信息提取、原始文字塊合并以及文章內(nèi)容和樣式信息的提取， 結(jié)合少量的人工操作可以完成標(biāo)引工作，并可以自動確定排版類型，極大 地提高了反解和標(biāo)引的效率。
為達(dá)到以上目的，本發(fā)明采用的技術(shù)方案是 一種基于PDF的復(fù)雜版
面的標(biāo)引方法，包括以下步驟
(1) 導(dǎo)入報刊版面的PDF文件，對PDF進(jìn)行分析，獲取版面上的全部 的文字內(nèi)容、文字的位置、字體、字號和序號信息，得到一個原始文字塊 的列表L;
(2) 按原始文字塊的信息，對原始文字塊進(jìn)行聚類，得到多個集合
(3) 對每個集合中的原始文字塊進(jìn)行排序，并合并該集合的所有原始 文字塊，得到合并文字塊；
(4) 按合并文字塊的字號標(biāo)定合并文字塊的屬性為標(biāo)題或正文；
(5) 對多個合并文字塊進(jìn)行再合并，構(gòu)建文章。
在如上所述的一種基于PDF的復(fù)雜版面的標(biāo)引方法中，步驟(2)中， 在對原始文字塊進(jìn)行聚類時包括以下步驟
(2.1)創(chuàng)建一個新的集合(Sh并選取列表L中第一個原始文字塊Ti 作為新集合{S}的第一個原始文字塊，并從列表L中去除該原始文字塊Ti;
(2. 2)對列表L中的剩下的全部原始文字塊進(jìn)行遍歷，對每個原始文 字塊，需要檢査集合"}中是否至少存在一個近鄰，如果存在近鄰，則把該 原始文字塊加入集合(S)中，并從列表L中刪除該原始文字塊；
(2. 3)遍歷完成后，如果列表L不為空，則重復(fù)上述步驟(1)和(2)，
生成一個新的集合。
進(jìn)一步，步驟(2.2)中檢査兩個原始文字塊是否近鄰的方法是 設(shè)兩個待判定的原始文字塊分別為T,和T2，對應(yīng)的字號為L和f2，對
應(yīng)的位置左上角坐標(biāo)分別為(x,，yi)和(X2，y》，右下角坐標(biāo)分別為 (Xl， ，yi，)和(X2， ，y2，),包括以下步驟
(2.2.1) 計算字號差別系數(shù)，定義為c 二 2*(f\-f2)/(frff2);
(2.2.2) 計算平均字符高度為h = (yi' -yi +y2， -y2)/2;
(2.2.3) 計算在水平方向的距離系數(shù)d,:
dx=(max(Xl， x2)-min(x, ， x2， ))/h，其中max (a, b)表示取兩者的較大 值，min(a，b)表示取兩者的較小值；
(2.2.4) 計算在垂直方向的距離系數(shù)dy: d尸(max(yi， y2) -min(yi， ， y2， ))/h;
(2. 2. 5)根據(jù)經(jīng)驗，設(shè)定最大容忍字號差別系數(shù)c皿一0. 1，最大容忍水 平方向距離系數(shù)為cLax=0. 9，最大容忍垂直方向距離系數(shù)為dyraax 二O. 9; (2.2.6)則判定兩原始文字塊為近鄰的充分必要條件是c〈c,且
dx〈d環(huán)x dy〈 dymaxo
進(jìn)一步，步驟(3)中，對每個集合中的原始文字塊進(jìn)行排序時根據(jù)不
同版面類型，確定不同的排序類型后，再根據(jù)原始文字塊的位置進(jìn)行排序，
具體來說
對于普通的橫排版面使用先從上到下、再從左到右的排序方法，對于豎 排版面，使用先從右到左，再從上到下的排序方法。
更進(jìn)一步，步驟(3)中，對每個集合中的原始文字塊進(jìn)行排序時先根
據(jù)原始文字塊的位置和序號，自動確定排序類型后，再進(jìn)行排序操作，具
體的步驟是
(3.1) 計算待處理的集合{S}中的原始文字塊的平均高度h;
(3.2) 對集合中的原始文字塊按序號進(jìn)行排序；
(3.3) 順序遍歷集合中的全部原始文字塊，依次計算相鄰兩個原始文
字塊的水平位置差異值i[i]和垂直位置差異d,[i];
(3.4) 設(shè)置和計算4個統(tǒng)計計數(shù)器如下
a) 等水平位置計數(shù)器Zx，用來記錄滿足abs(dx[i]) 〈 Cl* h的出 現(xiàn)次數(shù)，其中abs表示取絕對值；
b) 等高度計數(shù)器Zy，用來記錄滿足abs(dy[i]) < dH4i的出現(xiàn)次
數(shù)；
c) 橫排方向計數(shù)器Nx:對滿足abs(dy[i]) 〈c^h的差異值，檢查 其對應(yīng)的cUi]值，如果dx[i]〉0，則Nx加一，否則Nx減一；
d) 豎排方向計數(shù)器Ny:如果dx[i] > c2*h，則Ny加一，如果 dx[i]〈-c2*h，則Ny減一；
上述四個統(tǒng)計計數(shù)器的初值全部設(shè)置為0，并設(shè)d為容忍度系數(shù)，
取值為0.2， C2為間距系數(shù)，取值為1.0;
(3.5) 遍歷完成后，根據(jù)四個計數(shù)器的值，判定排版類型如下
a) 如果Z》Zy，且Ny > 0，則為從左到右的豎排；
b) 如果Zx〉Zy，且Ny < 0，則為從右到左的豎排； C)如果Z》Zy，且Ny二0，則為豎排無方向；
d) 如果Zx《Zy，且N, 〉= 0，則為從左到右的橫排；
e) 如果ZX-Zy，且Nx < 0，則為從右到左的橫排；
(3.6) 根據(jù)排版類型對集合內(nèi)的原始文字塊按位置進(jìn)行排序。
進(jìn)一步，步驟(3)中，對集合內(nèi)原始文字塊排序后進(jìn)行合并的歩驟是:
(3.7) 合并文字塊的內(nèi)容為集合內(nèi)所有原始文字塊按順序拼接；
(3.8) 合并文字塊的區(qū)域為集合內(nèi)所有原始文字塊矩形的最小包容矩
形；
(3.9) 合并文字塊的字號為集合內(nèi)所有原始文字塊字號的平均值； (3. 10)合并文字塊的字體為集合內(nèi)原始文字塊數(shù)量最多的字體。
進(jìn)一步，步驟(5)中，對多個合并文字塊進(jìn)行再合并采用人工干預(yù)的 方法，或者根據(jù)文字塊的位置、排版類型、字體字號、語義和詞性信息進(jìn) 行智能分析和合并。
本發(fā)明的效果在于采用本發(fā)明所述的方法，數(shù)據(jù)源上只需要PDF文 件，減少應(yīng)用場合的限制；能夠自動化處理復(fù)雜版面的文字信息提取、原
始文字塊合并以及文章內(nèi)容和樣式信息的提取，結(jié)合少量的人工操作可以 完成標(biāo)引工作，并可以自動確定排版類型，極大地提高了反解和標(biāo)引的效 率。


圖1是PDF復(fù)雜版面的文章重構(gòu)流程圖2是原始文字塊提取后的效果圖，左側(cè)的中部為當(dāng)前選中的原始文 字塊的詳細(xì)信息；
圖3是原始文字塊合并后的效果圖，左側(cè)的中部為當(dāng)前選中的合并文 字塊的詳細(xì)信息；
圖4是合并文字塊進(jìn)一步標(biāo)引后的效果圖，左側(cè)的中部為當(dāng)前選中的 合并文字塊的詳細(xì)信息；
圖5是原始文字塊合并后的效果圖，左側(cè)的中部為當(dāng)前選中的合并文 字塊的詳細(xì)信息，其中包含了豎排的文字塊。
具體實施例方式
下面結(jié)合實施例和附圖，對本發(fā)明作進(jìn)一步的闡述-
如圖1所示， 一種基于PDF的復(fù)雜版面的標(biāo)引方法，包括以下步驟
第一步S11，導(dǎo)入報刊版面的PDF文件，對PDF進(jìn)行分析，獲取版面 上的全部的文字內(nèi)容、文字的位置、字體、字號、序號信息，得到一個原
始文字塊的列表L;
本實施例中，提取的原始文字塊信息如圖2，包括文字內(nèi)容、位置、 字體字號、序號等信息。為直觀，直接顯示了PDF的版面圖，并把提取到 的文字矩形區(qū)域以粉框顯示在版面圖上。可以看到，由于排版軟件的對文 字進(jìn)行了位置控制，因此從PDF中提取到的文字不是流式的一個整塊，而 是很多個小的塊，基本上是每字符一個文字塊，如21所示的文字塊為當(dāng)前 選中的原始文字塊，左側(cè)的中部為當(dāng)前選中的原始文字塊21的詳細(xì)信息。
第二步S12，按原始文字塊的距離、字體、字號等信息，對原始文字 塊進(jìn)行聚類，得到多個集合(S丄
本實施例中，聚類使用的方法如下
(1) 創(chuàng)建一個新的集合(S)，并選取列表L中第一個原始文字塊L作 為新集合"}的第一個原始文字塊，并從列表L中去除該原始文字塊T,;
(2) 對列表L中的剩下的全部原始文字塊進(jìn)行遍歷，對每個原始文字
塊，需要檢查集合(sl中是否至少存在一個近鄰，如果存在近鄰，則把該原
始文字塊加入集合(S)中，并從列表L中刪除該原始文字塊。
(3) 遍歷完成后，如果列表L不為空，則重復(fù)上述步驟(1)和(2)， 生成一個新的集合。
在判定兩個原始文字塊是否近鄰時，使用了下列的步驟和方法(設(shè)兩 個待判定的原始文字塊分別為T,和T2，對應(yīng)的字號為f,和f2，對應(yīng)的位置 左上角坐標(biāo)分別為Od，y》和(x2，y2)，右下角坐標(biāo)分別為(x/ ，y/ )和 (x2， ， y2，))
(1) 計算字號差別系數(shù)，定義為C = 2*(f「f2)/仏+f2);
(2) 計算平均字符高度為h = (yi， -yi +y2， -y2)/2;
(3) 計算在水平方向的距離系數(shù)dx:
dx二(max(x!， X2)-min(x/ ， x2， ))/h,其中max (a, b)表示取兩者的較大 值，min(a，b)表示取兩者的較小值；
(4) 計算在垂直方向的距離系數(shù)d" d尸(max(y" y2)-min(y/ ， y2， ))/h;
(5) 根據(jù)經(jīng)驗，設(shè)定最大容忍字號差別系數(shù)cmax=0. 1，最大容忍水平方 向距離系數(shù)為dxmax=0. 9，最大容忍垂直方向距離系數(shù)為dyMX =0. 9;
(6) 則判定兩原始文字塊為近鄰的充分必要條件是c〈c目且dx〈dMax 且dy < d
上述的三個判斷標(biāo)準(zhǔn)可以根據(jù)實際的情況調(diào)整或去除，如忽略字號差 異，可以把不同字號的近鄰文字進(jìn)行聚類。其中的容忍度系數(shù)也可以根據(jù) 實際的情況作調(diào)整，如西文版面， 一般為橫排，最大容忍水平方向距離系
數(shù)可以選擇得小一些，而最大容忍垂直方向距離系數(shù)適當(dāng)再大一些。
第三步S13,對每個集合中的原始文字塊進(jìn)行排序，并合并該集合的 所有原始文字塊，得到合并文字塊；
本實施例中，在合并前的排序中，根據(jù)原始文字塊的位置和序號自動 可確定排序類型，具體的步驟是(設(shè)待處理的集合為"}):
(1) 計算集合(S)中的原始文字塊的平均高度h;
(2) 對集合中的原始文字塊按序號進(jìn)行排序；
(3) 順序遍歷集合中的全部原始文字塊，依次計算相鄰兩個原始文字 塊的水平位置差異值山[i]和垂直位置差異dy[i];
(4) 設(shè)置和計算4個統(tǒng)計計數(shù)器如下(初值全部置為O，并設(shè)d為容 忍度系數(shù)，根據(jù)經(jīng)驗可取為0.2， C2為間距系數(shù)，根據(jù)經(jīng)驗可取為l.O):
a) 等水平位置計數(shù)器Zx，用來記錄滿足abs(dx[i]) 〈 c^h的出 現(xiàn)次數(shù)，其中abs表示取絕對值(下同)；
b) 等高度計數(shù)器Zy,用來記錄滿足abs(dy[i]) 〈 Ch的出現(xiàn)次 數(shù)，；
c) 橫排方向計數(shù)器Nx:對滿足abs(dy[i]) 〈c^h的差異值，檢查 其對應(yīng)的cUi]值，如果dx[i]〉0,則Nx加一，否則N,減一；
d) 豎排方向計數(shù)器Ny:如果dx[i] > c2*h，則Ny加一，如果 dx[i]〈-c2*h，則隊減一；
(5) 遍歷完成后，根據(jù)四個計數(shù)器的值，判定排版類型如下
a) 如果Zx〉Zy，且Ny 〉 0，則為從左到右的豎排；
b) 如果Zx〉Zy，且Ny < 0，則為從右到左的豎排；
c) 如果Zx〉Zy，且Ny = 0，則為豎排無方向；
d) 如果Z,〈-Zy，且Nx >= 0，則為從左到右的橫排；
e) 如果Z風(fēng)，且Nx 〈 0，則為從右到左的橫排；
排版類型的確定，也可以使用其他的方法，如對集合內(nèi)的文字計算出 相鄰字符的水平和垂直的平均間距，按間距確定文字的排版方向是橫排或
豎排。
對于己知排版類型的版面，可以省略該步驟。
排版類型確定后，按排版類型的文字閱讀順序進(jìn)行原始文字塊的排序， 并對文字塊進(jìn)行了合并，合并的步驟是
(1) 合并文字塊的內(nèi)容為集合內(nèi)所有原始文字塊按順序拼接；
(2) 合并文字塊的區(qū)域為集合內(nèi)所有原始文字塊矩形的最小包容矩
形；
(3) 合并文字塊的字號為集合內(nèi)所有原始文字塊字號的平均值；
(4) 合并文字塊的字體為集合內(nèi)原始文字塊數(shù)量最多的字體；
圖3是原始文字塊合并后的效果圖，左側(cè)的中部31為當(dāng)前選中的合并 文字塊32的詳細(xì)信息。
圖3中，左側(cè)部分顯示了選中文字塊的信息，可以看到，文字塊已經(jīng) 合并。合并文字塊上顯示的〈16:1〉10，其中第二個數(shù)字為排版類型，取值 l表示橫排從左到右，取值3表示豎排從左到右，取值4表示豎排從右到 左，取值5表示豎排無方向?？梢钥吹礁骱喜⑽淖謮K的排版類型已經(jīng)正確 獲取。
第四步S14，按合并文字塊的字號標(biāo)定合并文字塊的屬性為標(biāo)題或正
文；
本實施例中，使用字號大小作為判斷依據(jù)，閾值取為13pt。
對于閾值附件的合并文字塊，往往存在誤判的可能，因此還可以參考 合并文本塊位置、以及周邊的合并文字塊的屬性情況而確定。
如圖4所示，圖4是合并文字塊進(jìn)一步標(biāo)引后的效果圖，圖4中，合 并文字塊上顯示的〈16:1〉10，其中第一個數(shù)字塊類型，如取值16表示正文 塊，取值1表示標(biāo)題塊。可以看到標(biāo)題和正文己經(jīng)區(qū)分，如41和42所示，41
所指示的部分為標(biāo)題，42所指示的部分為正文。
第五步S15，對多個合并文字塊進(jìn)行再合并，構(gòu)建文章；
本實施例中，使用了人工操作合并的方法，選中需要再合并的多個文 字塊，進(jìn)行合并操作，軟件自動根據(jù)選中順序進(jìn)行正文的合并。
也可以使用語義、詞性、字體、字號等信息利用軟件進(jìn)行智能判定閱 讀順序后再進(jìn)行合并。
圖5顯示了再合并的后的結(jié)果，可以看到整個正文已經(jīng)合并。左側(cè)51
為當(dāng)前選中的合并文字塊52的詳細(xì)信息。
本發(fā)明所述的方法并不限于具體實施方式
中所述的實施例，本領(lǐng)域技 術(shù)人員根據(jù)本發(fā)明的技術(shù)方案得出其他的實施方式，同樣屬于本發(fā)明的技 術(shù)創(chuàng)新范圍。
權(quán)利要求
1.一種基于PDF的復(fù)雜版面的標(biāo)引方法，包括以下步驟(1)導(dǎo)入報刊版面的PDF文件，對PDF進(jìn)行分析，獲取版面上的全部的文字內(nèi)容、文字的位置、字體、字號和序號信息，得到一個原始文字塊的列表L；(2)按原始文字塊的信息，對原始文字塊進(jìn)行聚類，得到多個集合{Si}；(3)對每個集合中的原始文字塊進(jìn)行排序，并合并該集合的所有原始文字塊，得到合并文字塊；(4)按合并文字塊的字號標(biāo)定合并文字塊的屬性為標(biāo)題或正文；(5)對多個合并文字塊進(jìn)行再合并，構(gòu)建文章。
2. 如權(quán)利要求1所述的一種基于PDF的復(fù)雜版面的標(biāo)引方法，其特征 是步驟(2)中，在對原始文字塊進(jìn)行聚類時包括以下步驟(2.1)創(chuàng)建一個新的集合(S)，并選取列表L中第一個原始文字塊Ti作 為新集合{S}的第一個原始文字塊，并從列表L中去除該原始文字塊Ti;(2. 2)對列表L中的剩下的全部原始文字塊進(jìn)行遍歷，對每個原始文字 塊，需要檢查集合(S)中是否至少存在一個近鄰，如果存在近鄰，則把該原始 文字塊加入集合{S}中，并從列表L中刪除該原始文字塊；(2. 3)遍歷完成后，如果列表L不為空，則重復(fù)上述步驟(2. 1)和(2. 2)，生成一個新的集合。
3. 如權(quán)利要求2所述的一種基于PDF的復(fù)雜版面的標(biāo)引方法，其特征是 步驟(2.2)中檢査兩個原始文字塊是否近鄰的方法是設(shè)兩個待判定的原始文字塊分別為Ti和T2，對應(yīng)的字號為t和f2，對應(yīng) 的位置左上角坐標(biāo)分別為Od，y,)和(x2,y2)，右下角坐標(biāo)分別為0d' ，y/ ) 和"2' ,y2，)，包括以下步驟(2.2.1) 計算字號差別系數(shù)，定義為c = 2*(&-f2)/(fi+f2);(2.2.2) 計算平均字符高度為h = (y,' -yi +y2， -y2)/2;(2.2.3) 計算在水平方向的距離系cL:dx=(maX(Xl，X2)—min(Xl， ， x2， ) )/h，其中max (a， b)表示取兩者的較大值，min(a， b)表示取兩者的較小值；(2.2.4) 計算在垂直方向的距離系數(shù)dy: dy=(max(yi， y2)-min(y, ， y2， ))/h;(2.2.5) 設(shè)定最大容忍字號差別系數(shù)(:_=0. 1，最大容忍水平方向距離 系數(shù)為d_=0.9，最大容忍垂直方向距離系數(shù)為d一 二0.9;(2.2.6) 則判定兩原始文字塊為近鄰的充分必要條件是c〈cmax且 dx〈dXMX且dy 〈 dymax.
4. 如權(quán)利要求1所述的一種基于PDF的復(fù)雜版面的標(biāo)引方法，其特征 是步驟(3)中，對每個集合中的原始文字塊進(jìn)行排序時根據(jù)不同版面類型，確定不同的排序類型后，再根據(jù)原始文字塊的位置進(jìn)行排序，具體來說對于普通的橫排版面使用先從上到下、再從左到右的排序方法，對于豎排 版面，使用先從右到左，再從上到下的排序方法。
5. 如權(quán)利要求4所述的一種基于PDF的復(fù)雜版面的標(biāo)引方法，其特征是步驟(3)中，對每個集合中的原始文字塊進(jìn)行排序時先根據(jù)原始文字塊的位置和序號，自動確定排序類型后，再進(jìn)行排序操作，具體的步驟是-(3. 1)計算待處理的集合(S)中的原始文字塊的平均高度h;(3.2) 對集合中的原始文字塊按序號進(jìn)行排序；(3.3) 順序遍歷集合中的全部原始文字塊，依次計算相鄰兩個原始文字塊的水平位置差異值cL[i]和垂直位置差異(Ui];(3.4) 設(shè)置和計算4個統(tǒng)計計數(shù)器如下a) 等水平位置計數(shù)器Z,，用來記錄滿足abs(dx[i]) 〈 c,h的出現(xiàn) 次數(shù)，其中abs表示取絕對值；b) 等高度計數(shù)器Zy，用來記錄滿足abs(d,[i]) 〈d樸的出現(xiàn)次數(shù)；c) 橫排方向計數(shù)器N,:對滿足abs(dy[i]) < c并h的差異值，檢查 其對應(yīng)的山[i]值，如果d,[i]〉0，則N,加一，否則N,減一；d〉豎排方向計數(shù)器N,:如果> c2*h，則N,加一，如果dx[i]<-C2*h，則Ny減一；上述四個統(tǒng)計計數(shù)器的初值全部設(shè)置為0,并設(shè)d為容忍度系數(shù)，取值為0.2， C2為間距系數(shù)，取值為1.0;(3.5) 遍歷完成后，根據(jù)四個計數(shù)器的值，判定排版類型如下a) 如果Zx〉Zy，且Ny 〉 0，則為從左到右的豎排；b) 如果Zx〉Zy，且Ny〈 0，則為從右到左的豎排； c) 如果Zx〉Zy，且Ny = 0，則為豎排無方向；d) 如果Zx〈=Zy，且Nx 〉= 0，則為從左到右的橫排；e) 如果Zx〈=Zy，且Nx < 0，則為從右到左的橫排；(3.6) 根據(jù)排版類型對集合內(nèi)的原始文字塊按位置進(jìn)行排序。
6. 如權(quán)利要求1至5之一所述的一種基于PDF的復(fù)雜版面的標(biāo)引方法， 其特征是步驟(3)中，對集合內(nèi)原始文字塊排序后進(jìn)行合并的步驟是(3.7) 合并文字塊的內(nèi)容為集合內(nèi)所有原始文字塊按順序拼接；(3. 8)合并文字塊的區(qū)域為集合內(nèi)所有原始文字塊矩形的最小包容矩形；(3. 9)合并文字塊的字號為集合內(nèi)所有原始文字塊字號的平均值； (3. 10)合并文字塊的字體為集合內(nèi)原始文字塊數(shù)量最多的字體。
7. 如權(quán)利要求1至5之一所述的一種基于PDF的復(fù)雜版面的標(biāo)引方法， 其特征是步驟(5)中，對多個合并文字塊進(jìn)行再合并采用人工干預(yù)的方法， 或者根據(jù)文字塊的位置、排版類型、字體字號、語義和詞性信息進(jìn)行智能分 析和合并。
8. 如權(quán)利要求6所述的一種基于PDF的復(fù)雜版面的標(biāo)引方法，其特征 是步驟(5)中，對多個合并文字塊進(jìn)行再合并采用人工干預(yù)的方法，或者 根據(jù)文字塊的位置、排版類型、字體字號、語義和詞性信息進(jìn)行智能分析和 合并。
全文摘要
本發(fā)明涉及一種基于PDF的復(fù)雜版面的標(biāo)引方法，屬于信息技術(shù)領(lǐng)域?，F(xiàn)有技術(shù)中，對于復(fù)雜版面的文章重構(gòu)往往需要大量的手工操作和調(diào)整，費時費力。本發(fā)明所述的方法通過分析和獲取PDF上文字信息以及位置、字體、字號等信息，根據(jù)相鄰、相似的原則進(jìn)行自動化的文字成塊操作；進(jìn)一步根據(jù)字體字號等信息確定文章標(biāo)題與正文，根據(jù)位置信息，并結(jié)合少量的人工干預(yù)進(jìn)行正文拼接、正文與標(biāo)題關(guān)聯(lián)等成文操作，從而使得整個版面上的文章能較快重新構(gòu)建，同時可以自動獲取到該文章所在的版面區(qū)域、文章和標(biāo)題的字體和字號等標(biāo)引信息，解決了現(xiàn)有技術(shù)中文章重新構(gòu)建費時費力或者效果不理想的問題。
文檔編號G06F17/21GK101206639SQ200710179938
公開日2008年6月25日 申請日期2007年12月20日 優(yōu)先權(quán)日2007年12月20日
發(fā)明者徐劍波, 寧 董 申請人:北大方正集團(tuán)有限公司;北京方正阿帕比技術(shù)有限公司;北京大學(xué)