一种电子档版式文件阅读顺序分析的方法

摘要

本发明公开了一种电子档版式文件阅读顺序分析的方法，所述方法包括以下步骤：提取PDF文件中原始信息；识别页眉、页脚，并对相邻文本内容进行合并，得到行内容；对文本行内容进行块合并，得到文本块内容；对相邻图片进行合并，得到图片块内容；对路径信息进行分析，得到水平方向的分割线；将文本快内容和图片块内容进行X方向投影，得到水平分隔块内容；以文本块内容、图片块内容、水平分隔线、表格及水平分隔块内容物理信为元素，进行拓扑排序，得到PDF文件的阅读顺序；通过阅读顺序基础对文本块内容进行分段识别；输出XML格式文本。

主权项

一种电子档版式文件阅读顺序分析的方法，其特征在于，所述方法包括以下步骤：提取PDF文件中原始信息；识别页眉、页脚，并对相邻文本内容进行合并，得到行内容；对文本行内容进行块合并，得到文本块内容；对相邻图片进行合并，得到图片块内容；对路径信息进行分析，得到水平方向的分割线；将文本快内容和图片块内容进行X方向投影，得到水平分隔块内容；以文本块内容、图片块内容、水平分隔线、表格及水平分隔块内容物理信息为元素，进行拓扑排序，得到PDF文件的阅读顺序；通过阅读顺序基础对文本块内容进行分段识别；输出XML格式文本。