04-黄斐然PDF图像提取ppt.pptVIP

PFE PDF Figure Extraction 汇报人：黄斐然 指导老师：陆嘉恒 使用C#语言 1 将PDF转为word 2 历史研究 优点：后期对word的处理有现成的库 缺点：对PDF处理的库比较陈旧 优点：word的文章结构更易分析 缺点：存在转换损失；时间代价大 1 减小失真度，尽可能原样提取 2 对PDF的分析更完整和全面 3 对目标的锁定更精确 目标 4 提高效率，减少不必要的时间损耗 方案采纳 采用Java语言 1 PDF处理库：PDFBox 2 方案：① 提取PDF内容（Extract） ② 目标搜索匹配 （Match） ③ 对目标定位（Locate） ④ 对目标截图保存（Print） 3 Extract Match Locate Print Extract Match Locate Print 阅读PDFBox的API文档，可获知其文本提 取类PDFTextStripper PDFBox的设计缺陷：只能全篇提取，不能 直接分析字符子串，且只能提取文字。 1 Match Extract Locate Print PDFBox的设计缺陷的解决方案：阅读源 代码，继承和覆写文本提取类 覆写writeString方法（该方法原为输出每 个单词）。 1 在writeString方法中获取每一个单词，进 行目标匹配。 2 若匹配成功，则记录该目标的位置（首字 母左下角在该页内的横纵坐标）。 3 Locate Extract Match Print 定位的三个方面：下边界、左右边界、上边界 下边界：最易确定，即定义的标签。问题 在于怎么确定搜索到的目标就是标签。 1 左右边界：较易确定，有三种情况——一 是左右顶边，二是左半部分，三是右半部分， 问题在于怎么区分三种情况。 2 上边界：不易确定，Figure上部的最后一个 自然段结束，情况较为复杂。 3 Locate Extract Match Print 下边界的确定 下边界（ Figure标签）的特点：以Figure 开头，且与上下行的距离较大。 1 定位方法：探知Figure开头，且与上一行距 离比较大的句子时，开始记录，直到探知某 个单词与上一个单词行距比较大时结束。 2 Locate Extract Match Print 左右边界的确定 左右边界的特点：三种情况即左右顶边、左 半部分、右半部分。 1 定位方法：Figure标签绝大多数情况是居中 的，则可以通过获得标签位置，来确定该 Figure的位置。 2 Locate Extract Match Print 上边界的确定 上边界的特点：Figure的上边界绝大多数情 况下是一个自然段的结束。 1 定位方法：每次探知一个自然段结束时，记 录结束位置，则Figure的上边界位置即为最 近自然段的结束位置。 2 Print Extract Match Locate 对目标的截图保存 使用Java自带的java.awt包和扩展的 javax.imageio包，通过Figure的四边坐标进 行截图和保存。 1 效果图 效果图 望各位批评指导