PDF文档HTML化中文本重排问题研究

• 作者: 李健 林青
• 来源期刊: 电脑与信息技术
• 学科: 工学
• 关键词: 页面分块 多栏PDF文档 文本重排
• 年，卷（期）: 2014,（3）
• 所属期刊栏目: 数据库与软件技术
• 页码范围: 27-30
• 页数: 4页
• 分类号: TP391
• 字数: 3258字
• 语种: 中文

摘要

目前各种PDF转化工具中，将PDF元素抽取后还原顺序的方法是根据每个文字元素的坐标---由左到右，由上到下的顺序重排元素。这种重排方式无法正确还原多栏或者多区域的PDF文档。文章提出了一种页面分块算法。所提算法将页面划分为不同的区域，在分区基础上重排，有效的提高了多栏或者多区域的PDF文档文本顺序还原的正确性。

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	李健	北京工业大学计算机科学与技术系	73	248	9.0	12.0
2	林青	北京工业大学计算机科学与技术系	1	2	1.0	1.0