本發(fā)明屬于pdf文件解析，具體地說，是涉及一種pdf轉word頁眉頁腳提取方法、裝置及計算機可讀存儲介質。

背景技術：

1、在翻譯行業(yè)中，各種格式文件的解析和還原是至關重要的一環(huán)，pdf文件由于其格式的特殊性，無法直接進行解析和還原，所以文件解析過程中，需要將pdf文件轉換成word文件。

2、由于在pdf格式的文件中，不存在word文件里的頁眉、頁腳的設置概念，所以在pdf轉換成word文件過程中，如何將pdf格式文件中實際為頁眉和頁腳的內容進行識別并提取出來，以便于在轉換后的word文件中以頁眉和頁腳的形式呈現(xiàn)，就成為了本領域亟需解決了技術問題。

技術實現(xiàn)思路

1、本發(fā)明的目的在于提供一種pdf轉word頁眉頁腳提取方法，以解決現(xiàn)有技術所存在的技術問題。

2、為了實現(xiàn)上述目的，本發(fā)明采取的技術方案如下：

3、一種pdf轉word頁眉頁腳提取方法，包括以下步驟：

4、步驟s1：對pdf文件進行前置處理，完成字符與圖形的嵌套、布局處理和元素排序，得到每一頁內容都有序的pdf預處理文件；

5、步驟s2：頁面拆分：將pdf預處理文件拆分為奇數(shù)頁文件和偶數(shù)頁文件；

6、步驟s3：識別并劃定每頁文件的頁眉和頁腳的有效區(qū)域；

7、步驟s4：在有效區(qū)域內，從第二頁開始匹配每一頁的公共元素，并判斷pdf頁面的頁眉和頁腳類型，頁眉和頁腳類型包括類型a和類型c，其中，類型a是指每頁頁眉頁腳都相同，類型c是指奇偶頁頁眉頁腳不同；其中，判斷頁眉和頁腳類型的方法如下：

8、（41）在匹配過程中，若每一頁之間的公共元素所在的索引都相同，則判斷當前pdf文件中的頁眉頁腳類型為類型a，即每頁頁眉頁腳都相同；

9、（42）在匹配過程中，若某一頁的公共元素與之前的匹配結果不同，則終止匹配，然后，單獨使用奇數(shù)頁進行匹配，單獨使用偶數(shù)頁進行匹配，若所有的奇數(shù)頁的公共元素的索引都相同，且偶數(shù)頁的公共元素的索引也相同，則判斷當前pdf文件中頁眉頁腳類型為類型c，即奇偶頁頁眉頁腳不同；

10、（43）若不滿足所述（41）或（42），則判斷當前pdf文件中不存在頁眉和頁腳；

11、步驟s5：判斷所有頁面的頁眉頁腳類型：

12、（51）若根據步驟s4確定當前pdf頁面的頁眉、頁腳類型為類型a，則判斷pdf文件的首頁與第二頁的公共元素是否相同，若相同，則確定pdf文件的所有頁面的頁眉頁腳類型為類型a，若不相同，則確定pdf文件的所有頁面的頁眉頁腳類型為類型a和類型b，其中，類型b是指首頁頁眉頁腳不同；

13、（52）若根據步驟s4確定當前pdf頁面的頁眉、頁腳類型為類型c，則判斷pdf文件的首頁與第三頁的公共元素是否相同，若相同，則確定pdf文件的所有頁面的頁眉頁腳類型為類型c，若不相同，則確定pdf文件的所有頁面的頁眉頁腳類型為類型c和類型b，其中，類型b是指首頁頁眉頁腳不同。

14、步驟s6：根據所有頁面的頁眉頁腳類型，生成每一頁的頁眉頁腳信息，實現(xiàn)頁眉頁腳提取。

15、在一種實施方案中，所述步驟s3中有效區(qū)域為不超過頁面高度的1/3。

16、在一種實施方案中，所述步驟s4中，所述公共元素是指：在相同索引下，如果元素的類型相同，并且值相同，則屬于公共元素。

17、在一種實施方案中，所述（42）中匹配結果不同是指任一三頁之間的公共元素不相同。

18、在一種實施方案中，所述步驟s4中，匹配的方法如下：將元素排序后，從頭到尾遍歷，根據索引對比相同索引的數(shù)據是否相同，提取出所有頁具有相同元素的索引位置。

19、為了實現(xiàn)上述目的，本發(fā)明還提供了一種計算機可讀存儲介質，其上存儲有計算機程序，所述計算機程序被處理器執(zhí)行，以實現(xiàn)所述的pdf轉word頁眉頁腳提取方法。

20、為了實現(xiàn)上述目的，本發(fā)明還提供了一種pdf轉word頁眉頁腳提取裝置，包括：處理器和存儲器；所述存儲器用于存儲計算機程序；所述處理器與所述存儲器相連，用于執(zhí)行所述存儲器存儲的計算機程序，以使得所述pdf轉word頁眉頁腳提取裝置執(zhí)行所述的pdf轉word頁眉頁腳提取方法。

21、與現(xiàn)有技術相比，本發(fā)明具備以下有益效果：

22、本發(fā)明通過判斷相同索引位置的元素是否相同，提取每一頁的公共元素，通過區(qū)分首頁、奇、偶頁的公共元素來確定頁眉、頁腳的類型，由此可以實現(xiàn)高效率的完成頁眉、頁腳的識別。

技術特征：

1.一種pdf轉word頁眉頁腳提取方法，其特征在于，包括以下步驟：

2.根據權利要求1所述的pdf轉word頁眉頁腳提取方法，其特征在于，所述步驟s3中有效區(qū)域為不超過頁面高度的1/3。

3.根據權利要求2所述的pdf轉word頁眉頁腳提取方法，其特征在于，所述步驟s4中，所述公共元素是指：在相同索引下，如果元素的類型相同，并且值相同，則屬于公共元素。

4.根據權利要求3所述的pdf轉word頁眉頁腳提取方法，其特征在于，所述步驟s4中，匹配的方法如下：將元素排序后，從頭到尾遍歷，根據索引對比相同索引的數(shù)據是否相同，提取出所有頁具有相同元素的索引位置。

5.根據權利要求4所述的pdf轉word頁眉頁腳提取方法，其特征在于，所述（42）中匹配結果不同是指任一三頁之間的公共元素不相同。

6.一種計算機可讀存儲介質，其上存儲有計算機程序，其特征在于，所述計算機程序被處理器執(zhí)行，以實現(xiàn)如權利要求1~5中任一項所述的pdf轉word頁眉頁腳提取方法。

7.一種pdf轉word頁眉頁腳提取裝置，其特征在于，包括：處理器和存儲器；所述存儲器用于存儲計算機程序；所述處理器與所述存儲器相連，用于執(zhí)行所述存儲器存儲的計算機程序，以使得所述pdf轉word頁眉頁腳提取裝置執(zhí)行如權利要求1~5中任一項所述的pdf轉word頁眉頁腳提取方法。

技術總結
本發(fā)明屬于PDF文件解析技術領域，提供了一種PDF轉Word頁眉頁腳提取方法、裝置及計算機可讀存儲介質，方法包括以下步驟：步驟S1：對PDF文件進行前置處理，完成字符與圖形的嵌套、布局處理和元素排序，得到每一頁內容都有序的PDF預處理文件；步驟S2：頁面拆分：將PDF預處理文件拆分為奇數(shù)頁文件和偶數(shù)頁文件；步驟S3：識別并劃定每頁文件的頁眉和頁腳的有效區(qū)域；步驟S4：在有效區(qū)域內，從第二頁開始匹配每一頁的公共元素，并判斷PDF頁面的頁眉和頁腳類型；步驟S5：判斷所有頁面的頁眉頁腳類型：步驟S6：根據所有頁面的頁眉頁腳類型，生成每一頁的頁眉頁腳信息，實現(xiàn)頁眉頁腳提取。本發(fā)明可以實現(xiàn)高效率的完成頁眉、頁腳的識別。

技術研發(fā)人員：蘭元,朱憲超,霍展羽,李晶
受保護的技術使用者：四川語言橋信息技術有限公司
技術研發(fā)日：
技術公布日：2025/1/9