一种在解析pdf中流程图的方法、装置及介质与流程

本发明属于pdf解析，具体地说，是涉及一种在解析pdf中流程图的方法、装置及介质。

背景技术：

1、pdf在信息传递和数据存储中扮演着至关重要的角色。然而，pdf的复杂性使得内容的提取和解析存在一定的挑战，尤其是对于pdf文档内的流程图，流程图由于其封闭图形的特征和它们在逻辑和过程中的关键作用，使得它们成为pdf文档中一种特殊且重要的元素，然而对于pdf文档内的流程图提取，现有技术无法进行准确有效的识别，大多是根据pdf中的识别到的元素进行组装，然后按照线段顺序逐一生成到word文档中的，这样流程图的连贯性可能会出现问题，对于复杂流程图提取效果不尽如人意，所以如何更好的解析pdf中的流程图，就成为了数据驱动的决策和应用中的重中之重。

技术实现思路

1、本发明的目的在于提供一种在解析pdf中流程图的方法，以解决现有技术所存在的技术问题。

2、为了实现上述目的，本发明采取的技术方案如下：

3、一种解析pdf中流程图的方法，包括以下步骤：

4、步骤1：借助apache的开源框架pdfbox，对含有流程图的pdf文件进行解析；

5、步骤2：使用操作符，从文件中提取页面的元素信息并构建元素列表，元素为包含坐标值的直线和曲线；

6、步骤3：基于所述元素列表，根据元素信息获取封闭图形，并将构成封闭图形的元素从所述元素列表中删除；

7、步骤4：对所述封闭图形进行去重处理；

8、步骤5：将去重后的封闭图形添加到原始元素集合中；

9、步骤6：对原始元素集合进行排序，获得排序后的原始元素集合；

10、步骤7：基于排序后的原始元素集合，使用深度优先搜索算法，获取若干最长链路；

11、步骤8：判断所述最长链路中是否出现重复元素，若出现重复元素，则将相交链路合并，并获取相交链路的最小开始坐标和最大结束坐标；若无重复元素，则说明链路断开，直接进行下一步；

12、步骤9：根据获得的最小开始坐标和最大结束坐标确定矩形图像的大小；

13、步骤10：循环操作步骤8~骤9，对所有的最长链路进行合并处理，并获得若干矩形图像，并对矩形图像进行截取；

14、步骤11：输出所有截取后的矩形图像。

15、优选的，所述步骤3的具体方法如下：首先，从所述元素列表中获取所有直线和曲线；然后，使用深度优先搜索算法识别出可以合并成封闭图形的元素，并将可以合并成封闭形状的元素进行合并，合并为封闭图形；最后，从元素列表中删除已经合并成封闭图形的元素。

16、优选的，所述步骤4中去重处理包括：（41）如果存在封闭图形的嵌套，则仅保留最外层的封闭图形；（42）如果封闭图形存在相交，则合并相交的封闭图形。

17、优选的，所述步骤6中的排序方式：按照从上到下、从左到右的方式排序。

18、优选的，所述步骤7中，使用深度优先搜索算法，以元素所在矩形区域误差范围内的交集、连续性或包含性为搜索条件。

19、为了实现上述目的，本发明还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行，以实现所述的解析pdf中流程图的方法。

20、为了实现上述目的，本发明还提供了一种解析pdf中流程图的装置，包括：处理器和存储器；所述存储器用于存储计算机程序；所述处理器与所述存储器相连，用于执行所述存储器存储的计算机程序，以使得所述解析pdf中流程图的装置执行所述的解析pdf中流程图的方法。

21、与现有技术相比，本发明具备以下有益效果：

22、（1）本发明通过结合pdfbox框架和深度优先搜索（dfs）算法，可以高效且准确地从复杂的pdf文档中提取出流程图。

23、（2）本发明能够处理各种复杂情况，包括但不限于图形的嵌套、交集等问题，从而保证了提取结果的准确性。

24、（3）本发明将流程图元素和其他元素模块化，可以方便地进行更新、扩展或修改，以适应不同的需求和场景。

技术特征：

1.一种解析pdf中流程图的方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的解析pdf中流程图的方法，其特征在于，所述步骤3的具体方法如下：首先，从所述元素列表中获取所有直线和曲线；然后，使用深度优先搜索算法识别出可以合并成封闭图形的元素，并将可以合并成封闭形状的元素进行合并，合并为封闭图形；最后，从元素列表中删除已经合并成封闭图形的元素。

3.根据权利要求2所述的解析pdf中流程图的方法，其特征在于，

4.根据权利要求3所述的解析pdf中流程图的方法，其特征在于，

5.根据权利要求4所述的解析pdf中流程图的方法，其特征在于，

6.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行，以实现如权利要求1~5中任一项所述的解析pdf中流程图的方法。

7.一种解析pdf中流程图的装置，其特征在于，包括：处理器和存储器；所述存储器用于存储计算机程序；所述处理器与所述存储器相连，用于执行所述存储器存储的计算机程序，以使得所述解析pdf中流程图的装置执行如权利要求1~5中任一项所述的解析pdf中流程图的方法。

技术总结
本发明属于PDF解析技术领域，提供了一种解析pdf中流程图的方法、装置及介质。本发明利用Apache的开源框架PDFBOX，对PDF文件进行读取，通过深度优先搜索算法（DFS）识别出各种封闭图形，对重复的封闭图形进行去重，通过DFS查找形成的最长链路，对于出现的重复元素或相交链路，进行合并处理，最后输出所有截取后的矩形图像。相较于现有技术而言，本发明具有高效准确、能够处理各种复杂情况、易于扩展等优点。

技术研发人员：郭瑞松,朱宪超,霍展羽,李晶
受保护的技术使用者：四川语言桥信息技术有限公司
技术研发日：
技术公布日：2024/12/19