买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：广东亚齐信息技术股份有限公司

摘要：本申请提供了一种PDF档案资源高效提取方法及文本识别系统，包括以下步骤：S1、建立文档索引：为每一个PDF文档创建一个索引，记录文档的基本信息，包括文档ID、名称、上次更新时间，S2、初始全量提取：首次处理文档时，进行全量提取，将文档内容完整提取并存储，文档内容包括文档中的所有文本和图像，S3、标记变化区域：当文档更新时，通过对比新旧版本，标记出发生变化的区域，记录变化区域的坐标、页码以及变化类型，变化类型包括新增、修改和删除的部分。本申请通过仅在文档更新时提取变化区域的内容，而不是重新处理整个文档，显著减少了需要分析的文档量。这种方法大幅缩短了信息提取的时间，提高了处理大量PDF文档的效率。

主权项：1.一种PDF档案资源高效提取方法，其特征在于，包括以下步骤：S1、建立文档索引：为每一个PDF文档创建一个索引，记录文档的基本信息，包括文档ID、名称、上次更新时间；S2、初始全量提取：首次处理文档时，进行全量提取，将文档内容完整提取并存储，文档内容包括文档中的所有文本和图像；S3、标记变化区域：当文档更新时，通过对比新旧版本，标记出发生变化的区域，记录变化区域的坐标、页码以及变化类型，变化类型包括新增、修改和删除的部分；S4、增量提取：对标记的变化区域进行提取，将提取的内容与之前存储的全量内容进行整合；S5、更新索引：更新文档索引中的相关信息，包括更新时间；所述S4中，具体包括以下提取步骤：S4.1、定位标记区域：根据S3步骤中记录的标记信息，定位到PDF文档中的具体变化区域，包括变化区域的坐标、页码以及变化类型；S4.2、内容提取：针对每个定位到的标记区域，使用PDF处理工具提取区域内的内容，对于文本变化区域，提取区域内的所有文本，对于图像变化区域，提取区域内的图像数据，提取的内容保持其原始格式以便于后续处理；S4.2中，PDF处理工具具体为PyMuPDF，使用PyMuPDF进行内容提取的详细步骤包括：S4.2.1、打开PDF文档：使用PyMuPDF打开需要处理的PDF文档；S4.2.2、定位标记区域：根据S3步骤中记录的标记信息，定位到具体的变化区域；S4.2.3、提取文本内容：对于文本变化区域，使用PyMuPDF提取区域内的所有文本；S4.2.4、提取图像内容：对于图像变化区域，找到页面中的所有图像，判断图像的位置是否与标记的变化区域相交，相交则提取该图像；S4.2.5、关闭文档：提取完成后，关闭PDF文档。

全文数据：

权利要求：

百度查询： 广东亚齐信息技术股份有限公司 一种PDF档案资源高效提取方法及文本识别系统