一种将PDF文件转换为HTML文本的方法技术

本发明专利技术提供了一种将PDF文件转换为HTML文本的方法，包括如下步骤：

【技术实现步骤摘要】
一种将PDF文件转换为HTML文本的方法


[0001]本专利技术涉及一种将PDF文件转换为HTML文本的方法。

技术介绍

[0002]在情报领域涉及大量文本数据，PDF(Portable Document Format)为其中较为常见的一类文件。实际中，需将分散在各处的PDF文件汇聚，进行统一管理，并在此基础上，实现对PDF文本内容的精确全文检索、快速检索定位以及高文本易读性。为实现上述目标，将PDF采用Apache PDFBox组件或Spire.PDF组件转换为HTML(Hyper Text Markup Language)是一种可选方案，但目前Apache PDFBox和Spire.PDF转换HTML工具存在转换过程中每行文字被切分为多个字或词、各段落之间文字无相关性、页与页之间内容被隔断、内容区域无法随页面拉伸等问题，无法满足PDF转换HTML保持文本段落原样还原的需求。

技术实现思路

[0003]为解决上述技术问题，本专利技术提供了一种将PDF文件转换为HTML文本的方法，该将PDF文件转换为HTML文本的方法能够有效解决PDF转换HTML保持文本段落原样还原的需求无法被满足的问题。
[0004]本专利技术通过以下技术方案得以实现。
[0005]本专利技术提供的一种将PDF文件转换为HTML文本的方法，包括如下步骤：
[0006]①
转换：获取待转换的PDF文件，用PDF转换工具将该PDF文件转换为单个HTML文件；
[0007]②
清洗：将HTML文件中的字块样式标签和空白元素标签删除，并对HTML文件中的段落标签进行转换处理。
[0008]所述PDF转换工具为Apache PDFBox组件或Spire.PDF组件。
[0009]所述字块样式标签为
‑
webkit
‑
text
‑
stroke标签和text
‑
shadow标签。
[0010]所述将HTML文件中的字块样式标签删除时，为对应字块添加字体加粗样式。
[0011]所述对HTML文件中的段落标签进行转换处理，包括如下步骤：
[0012]A：计算段落标签对应字块的高度偏移值；
[0013]B：将同一上级类标签的段落对应字块，按照段落顺序进行合并排列；
[0014]C：将位于同一行或相似一行的字块进行合并形成行级别字块分组。
[0015]所述步骤C，包括如下步骤：
[0016]C1：遍历HTML文件的文本内容中所有字块节点元素，获取Top绝对定位偏移属性，将偏移属性相同的字块合并为同一组，得到行级别字块分组；
[0017]C2：遍历HTML文件的文本内容中所有字块节点元素，获取Top绝对定位偏移属性，将偏移属性近似的字块合并为一组，得到行级别字块分组；
[0018]C3：计算行级别字块分组中的字块X轴坐标，当左右相邻的两个字块间空白距离大于一个字符宽度时，在第一个字块尾部填充空格，直至和第二个字块水平距离小于1个字符
宽度。
[0019]所述偏移属性近似需满足以下条件：Top相差绝对值≈字块高度height相差绝对值/2，误差小于等于1px。
[0020]所述步骤C之后还包括如下步骤：
[0021]D：合并行级别字块分组中同一行中的字号、粗细、颜色相同，但字体名称不同的相邻中文、英文和数字字块节点，并将合并字体更新到各字块节点的样式标签中；
[0022]E：合并行级别字块分组中相邻且字体格式相同的字块节点；
[0023]F：合并高度计算相同的行级别字块分组为同一段落，并通过行尾空白及行首缩进进行段落拆分，得到新段落分组。
[0024]所述步骤F之后还包括如下步骤：
[0025]G：计算所述行级别字块分组的高度，将高度相同的分组合并为同一父节点下的兄弟节点元素；当行级别字块分组的行尾空白宽度大于2个字符的宽度时，从下一行内容开始使用新的段落分组；当行级别字块分组的行首空白宽度大于等于2个字符的宽度时，则从本行开始使用新的段落分组。
[0026]本专利技术还提供一种将PDF文件转换为HTML文本的系统，包括转换单元、样式修正单元和段落合并单元，其中：
[0027]转换单元用于将目标PDF文件转化为HTML文件；
[0028]样式修正单元用于将分页中的各字块节点样式进行修正；
[0029]段落合并单元用于合并分页的字块节点，再合并行级字块节点，最后合并段落字块节点。
[0030]本专利技术的有益效果在于：能够有效解决PDF转换HTML保持文本段落原样还原的需求无法被满足的问题，可较大提升HTML文本展示效果，增强HTML文本易读性，方便用户全文检索、快速定位，提升用户阅读体验感。
附图说明
[0031]图1是本专利技术至少一种实施方式的流程示意图。
具体实施方式
[0032]下面进一步描述本专利技术的技术方案，但要求保护的范围并不局限于所述。
[0033]实施例1
[0034]如图1所示的一种将PDF文件转换为HTML文本的方法，包括如下步骤：
[0035]①
转换：获取待转换的PDF文件，用PDF转换工具将该PDF文件转换为单个HTML文件；
[0036]②
清洗：将HTML文件中的字块样式标签和空白元素标签删除，并对HTML文件中的段落标签进行转换处理。
[0037]实施例2
[0038]基于实施例1，PDF转换工具为Apache PDFBox组件或Spire.PDF组件。
[0039]实施例3
[0040]基于实施例1，字块样式标签为
‑
webkit
‑
text
‑
stroke标签和text
‑
shadow标签。
[0041]实施例4
[0042]基于实施例1，将HTML文件中的字块样式标签删除时，为对应字块添加字体加粗样式。
[0043]实施例5
[0044]基于实施例1，对HTML文件中的段落标签进行转换处理，包括如下步骤：
[0045]A：计算段落标签对应字块的高度偏移值；
[0046]B：将同一上级类标签的段落对应字块，按照段落顺序进行合并排列；
[0047]C：将位于同一行或相似一行的字块进行合并形成行级别字块分组。
[0048]实施例6
[0049]基于实施例5，步骤C，包括如下步骤：
[0050]C1：遍历HTML文件的文本内容中所有字块节点元素，获取Top绝对定位偏移属性，将偏移属性相同的字块合并为同一组，得到行级别字块分组；
[0051]C2：遍历HTML文件的文本内容中所有字块节点元素，获取Top绝对定位偏移属性，将偏移属性近似的字块合并为一组，得到行级别字块分组；
[0052]C3：计算行级别字块分本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种将PDF文件转换为HTML文本的方法，其特征在于：包括如下步骤：
①
转换：获取待转换的PDF文件，用PDF转换工具将该PDF文件转换为单个HTML文件；
②
清洗：将HTML文件中的字块样式标签和空白元素标签删除，并对HTML文件中的段落标签进行转换处理。2.如权利要求1所述的将PDF文件转换为HTML文本的方法，其特征在于：所述PDF转换工具为Apache PDFBox组件或Spire.PDF组件。3.如权利要求1所述的将PDF文件转换为HTML文本的方法，其特征在于：所述字块样式标签为
‑
webkit
‑
text
‑
stroke标签和text
‑
shadow标签。4.如权利要求1所述的将PDF文件转换为HTML文本的方法，其特征在于：所述将HTML文件中的字块样式标签删除时，为对应字块添加字体加粗样式。5.如权利要求1所述的将PDF文件转换为HTML文本的方法，其特征在于：所述对HTML文件中的段落标签进行转换处理，包括如下步骤：A：计算段落标签对应字块的高度偏移值；B：将同一上级类标签的段落对应字块，按照段落顺序进行合并排列；C：将位于同一行或相似一行的字块进行合并形成行级别字块分组。6.如权利要求5所述的将PDF文件转换为HTML文本的方法，其特征在于：所述步骤C，包括如下步骤：C1：遍历HTML文件的文本内容中所有字块节点元素，获取Top绝对定位偏移属性，将偏移属性相同的字块合并为同一组，得到行级别字块分组；C2：遍历HTML文件的文本内容中所有字块节点元素，获取Top绝对定位...

【专利技术属性】
技术研发人员：彭浩瀚，朱美玲，葛军伟，陶冠宏，
申请(专利权)人：成都天奥集团有限公司，
类型：发明
国别省市：