一種基于語義的pdf文檔的處理方法及處理裝置的制造方法【
技術領域：
】[0001]本發明涉及文件處理
技術領域：
，特別涉及一種基于語義的PDF文檔的處理方法及處理裝置。【
背景技術：
】[0002]PDF全稱PortableDocumentFormat，即“便攜文檔格式”，是一種電子文檔格式。這種格式與操作平臺無關，跨平臺特點突出，可在幾乎所有的平臺上使用。這一特性使它成為在Internet上進行電子文檔發行和數字化信息傳播的首選文檔格式。越來越多的圖書文獻資料首選PDF作為其電子發布的形式，如電子圖書、產品說明、公司公告、網絡資料、電子郵件等。PDF格式已成為用于將信息數字化的一個事實上的工業標準。[0003]PDF格式有其鮮明的技術特色，如跨平臺性優越；可集成多種媒體信息出版和發布，可集成超文本鏈接、聲音及動態影像等電子信息；提供了對網絡信息發布的支持。其中，在TOF的可信可靠，維護信息完整性與一致性及保持信息安全性上，最為使用者所稱道的則是其安全性，數字簽名或使用密碼保護。而其他格式則很容易地可以修改或編輯。[0004]PDF的安全性首先保證了PDF文檔不能被編輯，至少不能被輕易修改；其次可通過設置權限，限制用戶的內容打印、內容復制甚至是評論或批注的添加、修改或刪除。[0005]PDF文檔只供閱讀，不能被修改，確保了內容的完整性與其他特性。[0006]從人們認知習慣的角度或從語義角度看，無論對于圖書、期刊或雜志等紙質文檔，還是其他電子格式出版的文檔，其基本組成結構通常都是段落，特別是文字性的內容，其組織結構或對象類型都可以認為是段，段落之間的連續關系能夠使一個PDF邏輯對象得以重現。[0007]在實際的排版過程中，一個語義上完整的邏輯對象，可能分到不同的頁面中，形成了跨頁的對象。[0008]常常會有這種情況，一篇文章，部分出現在第一頁，而另外一部分卻出現在第η頁上，還有可能剩余的部分出現在第η+X頁上，這些頁面并不連續，但其表達的對象，也就是這篇文章卻是一個整體。[0009]通常，對PDF文檔的處理是逐頁進行的，這樣對跨頁的對象的處理就成了一個問題，最常見的是跨頁段落的連續性處理(連續性處理，針對的是邏輯上關聯，屬于同一個邏輯對象，而物理上被分割開的段落的處理，這些段落位于多個不連續的頁面上，也就是說處于物理上的分割狀態)，就是說一個完整的對象處于不同的PDF頁面中時，如何將其重現，如何從語義上完整再現，成了一個問題。[0010]PDF文檔通常包含多個內容對象，這一系列的內容對象，在許多情況下在邏輯上是關聯的，但在物理上是分離的、不連續的。對PDF文檔的逐頁處理，不能有效地將一個完整的邏輯對象抽取出來。[0011]有效地處理好段落的連續性問題，可能助于邏輯對象的重現，有助于人們對TOF文檔的理解，特別是有助于用戶提取某一單獨的PDF文檔。【
發明內容】[0012]本發明要解決的技術問題是提供一種基于語義的PDF文檔的處理方法及處理裝置，解決現有的PDF文檔中一個語義上完整的邏輯對象，可能分到不同的頁面中，形成了跨頁的對象，在進行PDF文檔處理時，不能有效地將一個完整的邏輯對象抽取出來的問題。[0013]為了解決上述技術問題，本發明實施例提供一種基于語義的PDF文檔的處理方法，包括:[0014]獲取PDF文檔的對象模型；[0015]提取所述對象模型的目錄簿；[0016]根據所述目錄簿查找TOF的文章線索記錄；[0017]對所述文章線索記錄中的邏輯對象進行處理，得到完整連續的邏輯對象流。[0018]進一步地，所述提取所述對象模型的目錄簿的步驟包括:[0019]獲取所述對象模型的交叉索引表；[0020]根據所述交叉索引表，獲取得到PDF文檔的追蹤字典；[0021]根據所述追蹤字典，分析得到所述對象模型的目錄簿。[0022]進一步地，所述根據所述追蹤字典，分析得到所述對象模型的目錄簿的步驟具體為:[0023]通過第一預設鍵值查找所述追蹤字典，獲取所述第一預設鍵值對應的對象，得到所述對象模型的目錄簿。[0024]進一步地，所述目錄簿包括:PDF文檔的頁面信息、頁面對應的編碼樹、文檔及I3DF的大綱書簽和所述PDF文檔所擁有的邏輯對象信息。[0025]進一步地，所述根據所述目錄簿查找TOF的文章線索記錄的步驟具體為:[0026]在所述目錄簿中通過第二預設鍵值，查找得到所述TOF文檔的文章線索記錄。[0027]進一步地，所述對所述文章線索記錄中的邏輯對象進行處理，得到完整連續的邏輯對象流的步驟具體為:[0028]對所述文章線索記錄中的每個文章線索對象，通過第三預設鍵值檢索，得到第一個邏輯對象，從第一個邏輯對象開始，依次向后遍歷所有邏輯對象，從而得到一個完整連續的邏輯對象流。[0029]本發明實施例還提供一種基于語義的PDF文檔的處理裝置，包括:[0030]獲取模塊，用于獲取PDF文檔的對象模型；[0031]提取模塊，用于提取所述對象模型的目錄簿；[0032]查找模塊，用于根據所述目錄簿查找TOF的文章線索記錄；[0033]處理模塊，用于對所述文章線索記錄中的邏輯對象進行處理，得到完整連續的邏輯對象流。[0034]進一步地，所述提取模塊，包括:[0035]第一獲取單元，用于獲取所述對象模型的交叉索引表；[0036]第二獲取單元，用于根據所述交叉索引表，獲取得到PDF文檔的追蹤字典；[0037]分析單元，用于根據所述追蹤字典，分析得到所述對象模型的目錄簿。[0038]進一步地，所述分析單元具體為:[0039]通過第一預設鍵值查找所述追蹤字典，獲取所述第一預設鍵值對應的對象，得到所述對象模型的目錄簿。[0040]進一步地，所述查找模塊具體為:[0041]在所述目錄簿中通過第二預設鍵值，查找得到所述PDF文檔的文章線索記錄。[0042]進一步地，所述處理模塊具體為:[0043]對所述文章線索記錄中的每個文章線索對象，通過第三預設鍵值檢索，得到第一個邏輯對象，從第一個邏輯對象開始，依次向后遍歷所有邏輯對象，從而得到一個完整連續的邏輯對象流。[0044]本發明的有益效果是:[0045]上述方案，通過依據邏輯對象對PDF文檔進行處理，獲取得到一篇PDF文檔的完整語義，此種方式，可以依據語義對PDF文檔進行提取，方便了使用者的閱讀。【附圖說明】[0046]圖1表示本發明實施例的處理方法的總體流程圖；[0047]圖2表示本發明實施例的處理裝置的模塊示意圖。【具體實施方式】[0048]為使本發明的目的、技術方案和優點更加清楚，下面將結合附圖及具體實施例對本發明進行詳細描述。[0049]本發明針對現有的PDF文檔中一個語義上完整的邏輯對象，可能分到不同的頁面中，形成了跨頁的對象，在進行PDF文檔處理時，不能有效地將一個完整的邏輯對象抽取出來的問題，提供一種基于語義的PDF文檔的處理方法及處理裝置。[0050]如圖1所示，本發明實施例的所述基于語義的PDF文檔的處理方法，包括:[0051]步驟10，獲取PDF文檔的對象模型；[0052]步驟20，提取所述對象模型的目錄簿；[0053]步驟30，根據所述目錄簿查找TOF的文章線索記錄；[0054]步驟40，對所述文章線索記錄中的邏輯對象進行處理，得到完整連續的邏輯對象流。[0055]本發明上述實施例，通過依據邏輯對象對PDF文檔進行處理，獲取得到一篇PDF文檔的完整語義，此種方式，可以依據語義對PDF文檔進行提取，方便了使用者的閱讀。[0056]可選地，本發明實施例的所述步驟20包括:[0057]步驟21，獲取所述對象模型的交叉索引表；[0058]步驟22，根據所述交叉索引表，獲取得到PDF文檔的追蹤字典；[0059]步驟23，根據所述追蹤字典，分析得到所述對象模型的目錄簿。[0060]具體地，所述步驟23具體為:[0061]通過第一預設鍵值查找所述追蹤字典，獲取所述第一預設鍵值對應的對象，得到所述對象模型的目錄簿。[0062]應當說明的是，所述目錄簿為TOF自身已定義的信息，其包含諸多信息，比如包括:PDF文檔的頁面信息、頁面對應的編碼樹、文檔及TOF的大綱書簽(即TOF的大綱Outlines)和所述PDF文檔所擁有的邏輯對象信息(即PDF文檔所擁有的Article信息)。[0063]可選地，本發明實施例的所述步驟30具體為:[0064]在所述目錄簿中通過第二預設鍵值，查找得到所述PDF文檔的文章線索記錄。[0065]在得到文章線索記錄后便是對每個文章線索進行處理，以得到完整連續的邏輯對當前第1頁1 2