本發(fā)明屬于pdf解析，具體地說，是涉及一種在解析pdf中流程圖的方法、裝置及介質(zhì)。

背景技術(shù)：

1、pdf在信息傳遞和數(shù)據(jù)存儲(chǔ)中扮演著至關(guān)重要的角色。然而，pdf的復(fù)雜性使得內(nèi)容的提取和解析存在一定的挑戰(zhàn)，尤其是對于pdf文檔內(nèi)的流程圖，流程圖由于其封閉圖形的特征和它們在邏輯和過程中的關(guān)鍵作用，使得它們成為pdf文檔中一種特殊且重要的元素，然而對于pdf文檔內(nèi)的流程圖提取，現(xiàn)有技術(shù)無法進(jìn)行準(zhǔn)確有效的識(shí)別，大多是根據(jù)pdf中的識(shí)別到的元素進(jìn)行組裝，然后按照線段順序逐一生成到word文檔中的，這樣流程圖的連貫性可能會(huì)出現(xiàn)問題，對于復(fù)雜流程圖提取效果不盡如人意，所以如何更好的解析pdf中的流程圖，就成為了數(shù)據(jù)驅(qū)動(dòng)的決策和應(yīng)用中的重中之重。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明的目的在于提供一種在解析pdf中流程圖的方法，以解決現(xiàn)有技術(shù)所存在的技術(shù)問題。

2、為了實(shí)現(xiàn)上述目的，本發(fā)明采取的技術(shù)方案如下：

3、一種解析pdf中流程圖的方法，包括以下步驟：

4、步驟1：借助apache的開源框架pdfbox，對含有流程圖的pdf文件進(jìn)行解析；

5、步驟2：使用操作符，從文件中提取頁面的元素信息并構(gòu)建元素列表，元素為包含坐標(biāo)值的直線和曲線；

6、步驟3：基于所述元素列表，根據(jù)元素信息獲取封閉圖形，并將構(gòu)成封閉圖形的元素從所述元素列表中刪除；

7、步驟4：對所述封閉圖形進(jìn)行去重處理；

8、步驟5：將去重后的封閉圖形添加到原始元素集合中；

9、步驟6：對原始元素集合進(jìn)行排序，獲得排序后的原始元素集合；

10、步驟7：基于排序后的原始元素集合，使用深度優(yōu)先搜索算法，獲取若干最長鏈路；

11、步驟8：判斷所述最長鏈路中是否出現(xiàn)重復(fù)元素，若出現(xiàn)重復(fù)元素，則將相交鏈路合并，并獲取相交鏈路的最小開始坐標(biāo)和最大結(jié)束坐標(biāo)；若無重復(fù)元素，則說明鏈路斷開，直接進(jìn)行下一步；

12、步驟9：根據(jù)獲得的最小開始坐標(biāo)和最大結(jié)束坐標(biāo)確定矩形圖像的大??；

13、步驟10：循環(huán)操作步驟8~驟9，對所有的最長鏈路進(jìn)行合并處理，并獲得若干矩形圖像，并對矩形圖像進(jìn)行截??；

14、步驟11：輸出所有截取后的矩形圖像。

15、優(yōu)選的，所述步驟3的具體方法如下：首先，從所述元素列表中獲取所有直線和曲線；然后，使用深度優(yōu)先搜索算法識(shí)別出可以合并成封閉圖形的元素，并將可以合并成封閉形狀的元素進(jìn)行合并，合并為封閉圖形；最后，從元素列表中刪除已經(jīng)合并成封閉圖形的元素。

16、優(yōu)選的，所述步驟4中去重處理包括：（41）如果存在封閉圖形的嵌套，則僅保留最外層的封閉圖形；（42）如果封閉圖形存在相交，則合并相交的封閉圖形。

17、優(yōu)選的，所述步驟6中的排序方式：按照從上到下、從左到右的方式排序。

18、優(yōu)選的，所述步驟7中，使用深度優(yōu)先搜索算法，以元素所在矩形區(qū)域誤差范圍內(nèi)的交集、連續(xù)性或包含性為搜索條件。

19、為了實(shí)現(xiàn)上述目的，本發(fā)明還提供了一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，其上存儲(chǔ)有計(jì)算機(jī)程序，所述計(jì)算機(jī)程序被處理器執(zhí)行，以實(shí)現(xiàn)所述的解析pdf中流程圖的方法。

20、為了實(shí)現(xiàn)上述目的，本發(fā)明還提供了一種解析pdf中流程圖的裝置，包括：處理器和存儲(chǔ)器；所述存儲(chǔ)器用于存儲(chǔ)計(jì)算機(jī)程序；所述處理器與所述存儲(chǔ)器相連，用于執(zhí)行所述存儲(chǔ)器存儲(chǔ)的計(jì)算機(jī)程序，以使得所述解析pdf中流程圖的裝置執(zhí)行所述的解析pdf中流程圖的方法。

21、與現(xiàn)有技術(shù)相比，本發(fā)明具備以下有益效果：

22、（1）本發(fā)明通過結(jié)合pdfbox框架和深度優(yōu)先搜索（dfs）算法，可以高效且準(zhǔn)確地從復(fù)雜的pdf文檔中提取出流程圖。

23、（2）本發(fā)明能夠處理各種復(fù)雜情況，包括但不限于圖形的嵌套、交集等問題，從而保證了提取結(jié)果的準(zhǔn)確性。

24、（3）本發(fā)明將流程圖元素和其他元素模塊化，可以方便地進(jìn)行更新、擴(kuò)展或修改，以適應(yīng)不同的需求和場景。

技術(shù)特征：

1.一種解析pdf中流程圖的方法，其特征在于，包括以下步驟：

2.根據(jù)權(quán)利要求1所述的解析pdf中流程圖的方法，其特征在于，所述步驟3的具體方法如下：首先，從所述元素列表中獲取所有直線和曲線；然后，使用深度優(yōu)先搜索算法識(shí)別出可以合并成封閉圖形的元素，并將可以合并成封閉形狀的元素進(jìn)行合并，合并為封閉圖形；最后，從元素列表中刪除已經(jīng)合并成封閉圖形的元素。

3.根據(jù)權(quán)利要求2所述的解析pdf中流程圖的方法，其特征在于，

4.根據(jù)權(quán)利要求3所述的解析pdf中流程圖的方法，其特征在于，

5.根據(jù)權(quán)利要求4所述的解析pdf中流程圖的方法，其特征在于，

6.一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，其上存儲(chǔ)有計(jì)算機(jī)程序，其特征在于，所述計(jì)算機(jī)程序被處理器執(zhí)行，以實(shí)現(xiàn)如權(quán)利要求1~5中任一項(xiàng)所述的解析pdf中流程圖的方法。

7.一種解析pdf中流程圖的裝置，其特征在于，包括：處理器和存儲(chǔ)器；所述存儲(chǔ)器用于存儲(chǔ)計(jì)算機(jī)程序；所述處理器與所述存儲(chǔ)器相連，用于執(zhí)行所述存儲(chǔ)器存儲(chǔ)的計(jì)算機(jī)程序，以使得所述解析pdf中流程圖的裝置執(zhí)行如權(quán)利要求1~5中任一項(xiàng)所述的解析pdf中流程圖的方法。

技術(shù)總結(jié)
本發(fā)明屬于PDF解析技術(shù)領(lǐng)域，提供了一種解析pdf中流程圖的方法、裝置及介質(zhì)。本發(fā)明利用Apache的開源框架PDFBOX，對PDF文件進(jìn)行讀取，通過深度優(yōu)先搜索算法（DFS）識(shí)別出各種封閉圖形，對重復(fù)的封閉圖形進(jìn)行去重，通過DFS查找形成的最長鏈路，對于出現(xiàn)的重復(fù)元素或相交鏈路，進(jìn)行合并處理，最后輸出所有截取后的矩形圖像。相較于現(xiàn)有技術(shù)而言，本發(fā)明具有高效準(zhǔn)確、能夠處理各種復(fù)雜情況、易于擴(kuò)展等優(yōu)點(diǎn)。

技術(shù)研發(fā)人員：郭瑞松,朱憲超,霍展羽,李晶
受保護(hù)的技術(shù)使用者：四川語言橋信息技術(shù)有限公司
技術(shù)研發(fā)日：
技術(shù)公布日：2024/12/19