| 发明名称 | 提取版式文档目录的方法及装置 | ||
| 摘要 | 本发明提供了一种提取版式文档目录的方法及装置。根据本发明的提取版式文档目录的方法包括：查找页面中的页码块；提取页码块所在行的文本串；将所提取的文本串与正文章节标题匹配；根据匹配成功率判断所述页面是否为目录页；以及提取被判断为目录页的页面的目录条目。通过匹配成功率判断所述页面是否目录页，提高了提取目录页条目相关信息的效率以及成功率。 | ||
| 申请公布号 | CN102541929B | 申请公布日期 | 2014.04.02 |
| 申请号 | CN201010615308.9 | 申请日期 | 2010.12.22 |
| 申请人 | 北大方正集团有限公司;方正信息产业控股有限公司;北京方正阿帕比技术有限公司 | 发明人 | 董宁;徐剑波;黄文娟 |
| 分类号 | G06F17/30(2006.01)I;G06F17/22(2006.01)I | 主分类号 | G06F17/30(2006.01)I |
| 代理机构 | 北京天昊联合知识产权代理有限公司 11112 | 代理人 | 陈源;罗建民 |
| 主权项 | 一种提取版式文档目录的方法，其特征在于包括：查找页面中的页码块；提取页码块所在行的文本串；将所提取的文本串与正文章节标题匹配；根据匹配成功率判断所述页面是否为目录页；以及提取被判断为目录页的页面的目录条目；其中，所述查找页面中的页码块的步骤包括；提取页面中的数字块；查找数字块中的页码块；按照页码块的非数字内容的一致性、或数字和字符的间距的一致性，进行聚类分析；针对每个聚类分别进行垂直投影，查看页码块的列信息是否存在分栏现象；以及确定页码块在所在行的位置。 | ||
| 地址 | 100871 北京市海淀区成府路298号中关村方正大厦5层 | ||