一种删除版式文档中的花边字符的方法及装置

摘要

本发明涉及文档处理技术，公开了一种删除版式文档中的花边字符的方法及装置，用以提高版式文档的反解质量。该方法为：导入版式文档，并获取包含版式文档中全部文字和符号的原始块集合，一个原始块中包含至少一个文字或字符，依次确定所述原始块集合中每一个原始块的排版方向及字形相关信息，根据每个原始块的排版方向及字形相关信息，确定包含花边字符的原始块；将包含花边字符的原始块从所述原始块集合中删除；便去除了花边字符对版面文档的文章内容的影响，最大程序地还原了文章内容的阅读顺序，从而提高了文章内容的反解质量和标引效率，并且在一定程度上节省了数据加工成本。

主权项

一种删除版式文档中的花边字符的方法，其特征在于，包括：导入版式文档，并获取包含版式文档中全部文字和符号的原始块集合，一个原始块中包含至少一个文字或字符；依次确定所述原始块集合中每一个原始块的排版方向及字形相关信息；根据每个原始块的排版方向及字形相关信息，确定包含花边字符的原始块；将包含花边字符的原始块从所述原始块集合中删除；其中，确定所述原始块集合中每一个原始块的排版方向，包括：从所述原始块集合中读取出需要确定排版方向的当前原始块Block_cur，以及与当前原始块Block_cur相邻的下一个原始块Block_next，根据所述Block_next和所述Block_cur间的特征差异，确定所述任意一个原始块的排版方向CurBlock_dir；所述字形相关信息包括原始块中包含的文字或字符的字体类型、字符类型、字号大小、以及该原始块的序号和坐标信息。