一种基于文本特征和语法规则的PDF全自动标引系统及方法

发明专利有效专利

申请号：
CN202011339681.6
IPC分类号：G06F40/117;G06F16/84
申请日期：
2020-11-25
申请人：
北京邮电大学;北京欢科科技有限公司

基础信息

权利要求

说明书

PDF全文

法律信息

引证文献

著录项信息

专利名称	一种基于文本特征和语法规则的PDF全自动标引系统及方法
申请号	CN202011339681.6	申请日期	2020-11-25
法律状态	授权	申报国家	中国
公开/公告日	2021-02-02	公开/公告号	CN112307718A
优先权	暂无	优先权号	暂无
主分类号	G06F40/117	IPC分类号	G;0;6;F;4;0;/;1;1;7;;;G;0;6;F;1;6;/;8;4查看分类表>
申请人	北京邮电大学;北京欢科科技有限公司	申请人地址	北京市海淀区西土城路10号变更专利地址、主体等相关变化，请及时变更，防止失效
权利人	北京邮电大学,北京欢科科技有限公司	当前权利人	北京邮电大学,北京欢科科技有限公司
发明人	陈科良;任维政;崔岩松;张晓欢;黄云霞;樊昌熙
代理机构	北京慕达星云知识产权代理事务所（特殊普通合伙）	代理人	符继超

摘要

本发明公开了一种基于文本特征和语法规则的PDF全自动标引系统及方法，系统配置解析层、事件分发层、功能实现层。该系统采用了事件驱动的方式，使用了观察者模式的架构，先通过解析PDF生成一个包含基础信息的XML中间文件，然后再使用文本特征以及语法特征分析等技术分析所有的PDF元素以完成自动标引过程；PDF全自动标引方法将整个工作流程分为了七个阶段，分别为元素提取阶段、块聚合阶段、行聚合阶段、图片标签识别阶段、标签匹配阶段、标引文件生成阶段和异常处理阶段，能够实现PDF文件的全自动解析、加标签、聚合并最终导出包含所有信息的结构化数据。本发明提高了系统的扩展性、PDF处理效率和内容利用深度，实现PDF的全自动标引。

序号	公开(公告)号	公开(公告)日	申请日	专利名称	申请人
该专利没有引用任何外部专利数据！

序号	公开(公告)号	公开(公告)日	申请日	专利名称	申请人
该专利没有被任何外部专利所引用！

我浏览过的专利

专利服务由北京酷爱智慧知识产权代理公司提供