CN111797591A - 版面恢复方法、装置和电子设备 - Google Patents
版面恢复方法、装置和电子设备 Download PDFInfo
- Publication number
- CN111797591A CN111797591A CN202010643674.9A CN202010643674A CN111797591A CN 111797591 A CN111797591 A CN 111797591A CN 202010643674 A CN202010643674 A CN 202010643674A CN 111797591 A CN111797591 A CN 111797591A
- Authority
- CN
- China
- Prior art keywords
- target
- complexity
- target layout
- layout
- typesetting
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000011084 recovery Methods 0.000 title claims abstract description 131
- 230000004044 response Effects 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 description 22
- 239000000203 mixture Substances 0.000 description 14
- 238000010586 diagram Methods 0.000 description 13
- 238000004891 communication Methods 0.000 description 8
- 238000000034 method Methods 0.000 description 6
- 230000003287 optical Effects 0.000 description 6
- 230000000875 corresponding Effects 0.000 description 5
- 201000010099 disease Diseases 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 210000003666 Nerve Fibers, Myelinated Anatomy 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000003365 glass fiber Substances 0.000 description 2
- 230000000644 propagated Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 239000000969 carrier Substances 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000001419 dependent Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006011 modification reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/10—Text processing
- G06F40/103—Formatting, i.e. changing of presentation of documents
- G06F40/106—Display of layout of documents; Previewing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/10—Text processing
- G06F40/189—Automatic justification
Abstract
本公开实施例公开了版面恢复方法、装置和电子设备。该方法的一具体实施方式包括:提取目标版面中的文本行位置信息;根据该文本行位置信息,确定该目标版面的复杂度,其中,复杂度用于表征该目标版面中文本排布的复杂程度;根据该复杂度,选取针对该目标版面的目标排版恢复函数,其中,排版恢复函数用于基于文本行位置信息重建目标版面;采用该目标排版恢复函数,对该目标版面进行恢复。由此,提供了一种新的版面恢复方式。
Description
技术领域
本公开涉及计算机技术领域,尤其涉及一种版面恢复方法、装置和电子设备。
背景技术
随着互联网的发展,用户越来越多地使用计算机实现各种功能。例如,用户可以使用便携式文件格式(Portable Document Format,PDF)的文件,向其它用户传递信息。PDF优点在于跨平台、能保留文件原有格式(Layout)、开放标准,能免版税自由开发PDF相容软体。
在一些应用场景中,计算机可以对PDF格式的文件进行解析,以获取文件中的信息。
发明内容
提供该公开内容部分以便以简要的形式介绍构思,这些构思将在后面的具体实施方式部分被详细描述。该公开内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征,也不旨在用于限制所要求的保护的技术方案的范围。
第一方面,本公开实施例提供了一种版面恢复方法,该方法包括:提取目标版面中的文本行位置信息;根据所述文本行位置信息,确定所述目标版面的复杂度,其中,复杂度用于表征所述目标版面中文本排布的复杂程度;根据所述复杂度,选取针对所述目标版面的目标排版恢复函数,其中,排版恢复函数用于基于文本行位置信息重建目标版面;采用所述目标排版恢复函数,对所述目标版面进行恢复。
第二方面,本公开实施例提供了一种版面恢复装置包括:提取单元,用于提取目标版面中的文本行位置信息;确定单元,用于根据所述文本行位置信息,确定所述目标版面的复杂度,其中,所述复杂度用于表征所述目标版面中文本排布的复杂程度;选取单元,用于根据所述复杂度,选取针对所述目标版面的目标排版恢复函数,其中,排版恢复函数用于基于文本行位置信息重建目标版面;恢复单元,用于采用所述目标排版恢复函数,对所述目标版面进行恢复。
第三方面,本公开实施例提供了一种电子设备,包括:一个或多个处理器;存储装置,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如第一方面所述的版面恢复方法。
第四方面,本公开实施例提供了一种计算机可读介质,其上存储有计算机程序,该程序被处理器执行时实现如第一方面所述的版面恢复方法的步骤。
本公开实施例提供的版面恢复方法、装置和电子设备,通过首先对于目标版面,提前文本行位置信息;然后,根据文本行位置信息,确定目标版面的复杂度;再后,根据复杂度,从至少两种排版恢复函数中,选取目标排版恢复函数;最后,采用目标排版恢复函数,对目标版面进行恢复;由此,可以提供一种新的版面恢复方式。
并且,可以根据复杂度的不同,为文件的排版恢复函数的选择提供依据。一般情况下,排版恢复函数在计算速度和计算准确率方面难以兼顾,根据上述复杂度选用排版恢复函数,可以根据目标版面的实际情况,选用适合该目标版面的恢复方式。在目标版面较简单的时候,可以选用计算速度快而计算准确率较低的排版恢复函数,可以在提高速度的同时,保证目标版面具有较高的准确度。在目标版面较复杂的时候,可以选用计算速度慢而计算准确率较高的排版恢复函数,保证目标版面的具有较高的准确度。也就是说,可以在保证对于目标版面的恢复具有较高的准确度的同时,尽可能提高计算速度。
附图说明
结合附图并参考以下具体实施方式,本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中,相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的,原件和元素不一定按照比例绘制。
图1是根据本公开的版面恢复方法的一个实施例的流程图;
图2是根据本公开的文本行信息的示例性表示方式的示意图;
图3是根据本公开的版面恢复方法的又一个实施例的流程图;
图4是根据本公开的错位关系的示意图;
图5是根据本公开的重叠关系的示意图;
图6是根据本公开的步骤302的一种可选的实现方式;
图7是根据本公开的版面恢复装置的一个实施例的结构示意图;
图8是本公开的一个实施例的版面恢复方法可以应用于其中的示例性系统架构;
图9是根据本公开实施例提供的电子设备的基本结构的示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例,然而应当理解的是,本公开可以通过各种形式来实现,而且不应该被解释为限于这里阐述的实施例,相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是,本公开的附图及实施例仅用于示例性作用,并非用于限制本公开的保护范围。
应当理解,本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行,和/或并行执行。此外,方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。
本文使用的术语“包括”及其变形是开放性包括,即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”;术语“另一实施例”表示“至少一个另外的实施例”;术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。
需要注意,本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分,并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意,本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的,本领域技术人员应当理解,除非在上下文另有明确指出,否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的,而并不是用于对这些消息或信息的范围进行限制。
请参考图1,其示出了根据本公开的版面恢复方法的一个实施例的流程。该版面恢复方法可以应用于服务器或者终端设备。如图1所示该版面恢复方法,包括以下步骤:
步骤101,对于提取目标版面中的文本行位置信息。
在本实施例中,版面恢复方法的执行主体(例如服务器)可以提取目标版面中的文本行位置信息。
在本实施例中,上述目标版面,可以是任一版面。例如,可以是待解析的目标版面。可以理解,文件可能分为多页。每一页可以称为一个版面。目标版面中的“目标”是为了对待解析页进行较为清楚的解释,不构成对版面的限定。
在一些应用场景中,文件中的任意的一页或者多页,均可以作为目标版面。在一些应用场景中,一页中的部分区域,也可以理解为目标版面。
在本实施例中,对于目标版面所在的文件的文件格式,不做限定。作为示例,上述目标版面可以是便携式文件格式文件中的页,也可以是图片文件中的页。上述便携式文件格式文件也可以称为PDF文件。在这里,对于PDF文件的具体内容不做限定。作为示例,用于执行本实施例的PDF文件可以是待解析的PDF文件。
在本实施例中,文本行位置信息可以指示文本行的位置。每个文本行,均可以对应指示该文本行位置的文本行位置信息。
在本实施例中,对于文本行位置信息的形式不做限定。作为示例,文本行位置信息可以是以直角坐标系中的坐标表示的,也可以是以其他类型的坐标系(例如极坐标系)中的坐标表示的。
在一些应用场景中,可以对目标版面进行文本提取。提出的文本信息,不仅可以包括文件中的文字,还可以包括每个文字的位置坐标、字体、字号、颜色、是否加粗等富文本信息。基于富文本信息,可以将一个个离散的文字划分成多个文本行,同时记录下该文本行的最左边和最右边文字在行方向(例如称为x轴)的行坐标,该文本行在列方向(例如y轴)的列坐标,以及文本行的高度。在这里,行方向和列方向垂直。
请参考图2,其示出了文本行信息的示例性表示方法。在图2中,“In_text”可以表示文本行。文本行的各个具体内容(“#”前内容),已经在“#”后示出,在此不再赘述。
步骤102,根据文本行位置信息,确定目标版面的复杂度。
在本实施例中,上述执行主体可以根据文本行位置信息,确定模板版面的复杂度。
在这里,上述复杂度用于表征目标版面中文本排布的复杂程度。
在这里,上述复杂度的确定方式可以根据实际应用场景设置,在此不做限定。
作为示例,目标版面可能存在以下情况但不限于:分区域作为语义群、左右分栏。上述情况都可能导致版面变得复杂,即不能通过简单的文本行按照从上到下排布。因此,可以在实际应用场景中,根据哪些情况可能导致版面恢复出现错误,而将基于这些情况的参数作为确定复杂度的因子。即,上述复杂度可以基于预定义的导致版面恢复出现错误的参数生成。
步骤103,根据复杂度,选取针对目标版面的目标排版恢复函数。
在本实施例中,上述执行主体可以根据上述复杂度,选取针对目标版面的目标排版恢复函数。
在这里,排版恢复函数用于基于文本行位置信息重建目标版面,即可以用于恢复排版。排版恢复函数,可以以文本行位置信息为自变量,以版面结构信息为因变量。版面结构信息可以包括子区域位置信息和/或子区域中的文本行。可以理解,恢复后的版面可以用于得到语义群,然后,进行语义识别等步骤。
可选的,上述执行主体可以从至少两种预定义的排版恢复函数中,选取针对目标版面的目标排版恢复函数。
在这里,预先定义的排版恢复函数的数量,可以是至少两种,作为示例,可以是两种、三种等。
在这里,不同的排版恢复函数,可能在计算速度、计算准确度等方面有差异。
在这里,预定义的各种排版恢复函数的具体内容,可以根据实际情况设置,在此不做限定。
在一些应用场景中,至少两种预先定义的排版恢复函数可以包括基于列方向的排版恢复函数。
作为示例,基于列方向的排版恢复函数简介如下,如果文件中的目标版面就如同写作文一样从上到下排列,我们可以将文本行按照竖直方向列坐标(y坐标)的大小从小到大排序即可恢复文本的顺序。这种方法速度快,效率高。
在一些应用场景中,至少两种预先定义的排版恢复函数可以包括基于深度学习的排版恢复函数。
在一些应用场景中,版面极为复杂时,例如存在左右分栏,文本行存在错位,重叠等情况时,直接使用y坐标进行排序将导致文本顺序的错乱。此时可能需要使用基于深度学习排版恢复策略。
作为示例,基于深度学习的排版恢复函数的输入可以包括文本行中的文字内容。基于深度学习的排版恢复函数大致分为以下几个步骤:使用深度学习目标检测技术将版面中属于同一个主题(例如同一段工作经历)的文本用一个矩形框框起来,可选的,。对每一个矩形框内的文本进行排序。对所有的矩形框进行排序。经过以上三个步骤后,即可将复杂版面的乱序文本恢复为符合人阅读顺序的有序状态。这种方法虽然可以将复杂版面的文本恢复为有序状态,但是由于使用了基于深度学习的目标检测技术,消耗的时间相比于直接使用y坐标进行排序会有显著增加。
步骤104,采用目标排版恢复函数,对目标版面进行恢复。
在本实施例中,上述执行主体可以采用目标排版恢复函数,对目标版面进行恢复。
在这里,执行主体可以根据目标排版恢复函数因种类不同而对应的具体计算方式,对目标版面进行恢复,在此不再赘述。作为示例,步骤104的计算方式,可以参考上述两种排版恢复函数的计算方式简述。
需要说明的是,本实施例提供的版面恢复方法,通过首先对于便携式文件格式文件中的目标版面,提前文本行位置信息;然后,根据文本行位置信息,确定目标版面的复杂度;再后,根据复杂度,从至少两种排版恢复函数中,选取目标排版恢复函数;最后,采用目标排版恢复函数,对目标版面进行恢复;由此,可以提供一种新的版面恢复方式。
并且,可以根据复杂度的不同,为排版恢复函数的选择提供依据。一般情况下,排版恢复函数在计算速度和计算准确率方面难以兼顾,根据上述复杂度选用排版恢复函数,可以根据目标版面的实际情况,选用适合该目标版面的恢复方式。在目标版面较简单的时候,可以选用计算速度快而计算准确率较低的排版恢复函数,可以在提高速度的同时,保证目标版面具有较高的准确度。在目标版面较复杂的时候,可以选用计算速度慢而计算准确率较高的排版恢复函数,保证目标版面的具有较高的准确度。也就是说,可以在保证对于目标版面的恢复具有较高的准确度的同时,尽可能提高计算速度。
可以理解,对于文件中的版面实施上述计算复杂度,并根据复杂度灵活选用排版恢复函数,在保证文件恢复的准确率的同时,将会极大提高文件的版面恢复速度。
请参考图3,其示出了根据本公开的版面恢复方法的一个实施例的流程。该版面恢复方法可以应用于服务器或者终端设备。如图1所示该版面恢复方法,包括以下步骤:
步骤301,提取目标版面中的文本行位置信息。
在本实施例中,版面恢复方法的执行主体(例如服务器)可以提取目标版面中的文本行位置信息。
需要说明的是,步骤301的实现细节和技术效果,可以参考关于步骤101的说明,在此不再赘述。
步骤302,基于以下至少一项:第一次数、第二次数和所述目标版面是否分栏,确定目标版面的复杂度。
在本实施例中,上述执行主体可以基于以下至少一项但不限于:第一次数、第二次数和所述目标版面是否分栏,确定目标版面的复杂度。
在本实施例中,第一次数可以指示错位关系在目标版面中出现的次数。
在本实施例中,上述错位关系可以是相邻的两个文本行在行方向没有重叠的情况。
请参考图4,其示出了错位关系的示意图。图4中,“DDDDDD”所在的文本行与“AAAAAAAAAAAAAAAA”所在的文本行,为相邻的文本行,并且在行方向没有重叠,则两者为错位关系。“DDDDDD”所在的文本行与“CCCCCCCCCCCCCCCCC”所在的文本行,为相邻的文本行,并且在行方向没有重叠,则两者为错位关系。BDE所在的区域和AC所在的区域是不同的语义区域,如果按照列坐标从上向下排,则文本“DDDDDD”可能归到与AC所在的区域进行语义解析,从而可能导致错误,
在本实施例中,上述第二次数指示重叠关系在所述目标版面中出现的次数
在本实施例中,所述重叠关系用于指示两个文本行列坐标的差值小于任一文本行的高度。
请参考图5,其示出了重叠关系的示意图。图5中,“FFFFFFFFFFFFFFFFFF”所在的文本行与“GGGGGG”所在的文本行,为列坐标小于任一文本行高度文本行,则两者为错位关系。
在一些应用场景中,重叠关系经常出现在两行文本在空间位置上其实属于同一行,但是由于他们之间存在多个空格,此时进行文本信息提取时会将其划分成两行。这种情况也容易导致排版顺序的错乱。检测这种关系主要看两行文本竖直方向是否存在重叠。
在这里,分栏可以指将版面中的文本分成两栏或多栏,各个栏之间位置相对固定的、宽度基本相同。现在的书写习惯一般为横向书写,因此分栏一般可以指横向分栏,作为示例,可以将版面分为左右两栏。
在这里,确定上述目标版面是否分栏的具体方式,可以根据实际应用情况设置,在此不做限定。
在一些实施例中,可以通过以下方式确定目标版面是否分栏:根据目标版面各个文本行的行坐标,确定行方向是否存在至少两个不相交的坐标区域;如果是,则确定所述目标文档分栏;如果否,则确定所述目标文档不分栏。
换句话说,可以将所有的文本行从竖直方向投影到页面底部,然后观察页面底部存在几个不相交的投影区域,如果只有一个投影区域,说明不存在分栏,如果投影区域的数目大于等于两个,说明存在分栏情况。
在这里,文本行位置信息可以包括文本行的行坐标和列坐标。
在一些可选的实现方式中,步骤302可以采用各种方式实现。
在一些实施例中,上述步骤302可以包括:确定目标版面是否分栏;响应于确定目标版面分栏,根据第一分栏指示值、所述第一次数、第二次数和目标版面中的文本行数量,确定所述复杂度;响应于确定目标版面未分栏,根据第二分栏指示值、所述第一次数、第二次数和目标版面中的文本行数量,确定所述复杂度。
在这里,第一分栏指示值可以指示分栏,例如可以为1;第二分栏指示值可以指示未分栏,例如可以为0。
在这里,根据第一分栏指示值、所述第一次数、第二次数和目标版面中的文本行数量,确定所述复杂度,可以包括:将第一次数除以文本行数量,得到第一比值。可以将第二次数除以文本行数量,得到第二比值;然后,对第一分栏指示值、第一比值和第二比值,进行加权平均,得到复杂度。
在这里,根据第二分栏指示值、所述第一次数、第二次数和目标版面中的文本行数量,确定所述复杂度,可以包括:将第一次数除以文本行数量,得到第一比值。可以将第二次数除以文本行数量,得到第二比值;然后,对第二分栏指示值、第一比值和第二比值,进行加权平均,得到复杂度。
步骤303,确定复杂度是否大于预设的复杂度阈值。
在本实施例中,上述执行主体可以确定复杂度是否大于预设的复杂度阈值。
在这里,预设的复杂度阈值的具体数值,可以根据实际应用场景设置,在此不做限定。作为示例,复杂度阈值可以为0.3。
步骤304,响应于复杂度不大于预设的复杂度阈值,选取基于列坐标的排版恢复函数作为目标排版恢复函数。
在本实施例中,上述执行主体可以响应于复杂度不大于预设的复杂度阈值,选取基于列坐标的排版恢复函数作为目标排版恢复函数。
步骤305,响应于复杂度大于预设的复杂度阈值,选取基于深度学习的排版恢复函数作为目标排版恢复函数。
在本实施例中,上述执行主体可以响应于所述复杂度大于预设的复杂度阈值,选取基于深度学习的排版恢复函数作为目标排版恢复函数。
步骤306,采用目标排版恢复函数,对目标版面进行恢复。
在本实施例中,上述执行主体可以采用目标排版恢复函数,对目标版面进行恢复。
需要说明的是,图3所示实施例,通过基于第一次数、第二次数和是否分栏中的一项或者多项,确定复杂度;然后,根据复杂度与复杂度阈值之间的关系,确定选用基于列坐标的排版恢复函数还是选用基于深度学习的排版恢复函数,贴合实际应用场景,在保证恢复的准确度的同时,提高效率。
具体来说,基于深度学习的排版恢复函数可以处理复杂的版面的文本错乱问题,但是消耗的时间长。基于列坐标的排版恢复函数虽然只能对一些简单的版面进行重排,无法恢复复杂版面的文本顺序,但是它消耗的时间可以忽略不计。换句话,使用了基于深度学习的目标检测技术,计算的准确度较高,但是消耗的时间相比于直接使用列坐标进行排序会有显著增加。在实际应用场景中,特别复杂的版面毕竟是少数,因此使用本实施例提出复杂度确定方式,对版面复杂度进行评价,然后基于复杂度得分针对性的选择不同的排版恢复策略,可以显著提升版面恢复效率。
请参考图6,其示出了上述步骤302的一种可选的实现方式。如图6所示,步骤302可以包括步骤3021、步骤3022和步骤3023。
步骤3021,确定目标版面是否分栏。
在本实现方式中,上述执行主体可以确定目标版面是否分栏。
步骤3022,响应于确定目标版面分栏,确定复杂度为第一预设值。
在这里,第一预设值大于预设的复杂度阈值。
步骤3023,响应于确定所述目标版面未分栏,根据第一次数、第二次数和目标版面中的文本行数量,确定复杂度。
在这里,可以将第一次数除以文本行数量,得到第一比值。可以将第二次数除以文本行数量,得到第二比值。然后,可以将第一比值和第二比值进行加权平均,作为复杂度。
可以理解,第一比值为大于等于0、小于等于1的数值。第二比值为大于等于0、小于等于1的数值。如果目标版面中的文本从上到下可以毫无错乱的排列下来,那么输出的复杂度就为0;如果存在错乱,复杂度就大于0,最大值为1。输出版面复杂度的打分后,根据预设的复杂度阈值选择不同的排版恢复策略。当得分大于复杂度阈值时,使用基于深度学习的排版恢复策略,当得分小于阈值时,使用基于列坐标的排版恢复策略。
需要说明的是,首先要检测是否存在分栏的情况,如果存在分栏的情况,只使用列坐标进行排序,将会出现左边一行,右边一行依次排序的情况,这会让文本的顺序完全错误。然而如果在每一栏里面按列坐标排序,文本顺序又可能是正确的。由此,先检测是否存在分栏非常重要,如果分栏,则将复杂度设置为第一预设值(大于预设的复杂度阈值),由此,可以在存在分栏的情况下,采用基于深度学***衡版面恢复的准确度和效率。
进一步参考图7,作为对上述各图所示方法的实现,本公开提供了一种版面恢复装置的一个实施例,该装置实施例与图1所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图7所示,本实施例的版面恢复装置包括:提取单元701、确定单元702、选取单元703和恢复单元704。其中,提取单元,用于提取目标版面的文本行位置信息;确定单元,用于根据文本行位置信息,确定所述目标版面的复杂度,其中,所述复杂度用于表征所述目标版面中文本排布的复杂程度;选取单元,用于根据所述复杂度,选取针对所述目标版面的目标排版恢复函数,其中,排版恢复函数用于基于文本行位置信息重建目标版面;恢复单元,用于采用所述目标排版恢复函数,对所述目标版面进行恢复。
在本实施例中,版面恢复装置的提取单元701、确定单元702、选取单元703和恢复单元704的具体处理及其所带来的技术效果可分别参考图1对应实施例中步骤101、步骤102、103和步骤104的相关说明,在此不再赘述。
在一些实施例中,所述根据文本行位置信息,确定所述目标版面的复杂度,其中,所述复杂度用于表征版面中文本排布的复杂程度,包括:基于以下至少一项:第一次数、第二次数和所述目标版面是否分栏,确定目标版面的复杂度;其中,所述第一次数指示错位关系在所述目标版面中出现的次数,其中,所述错位关系用于指示相邻的两个文本行在行方向没有重叠的情况;第二次数指示重叠关系在所述目标版面中出现的次数,其中,所述重叠关系用于指示两个文本行列坐标的差值小于任一文本行的高度。
在一些实施例中,所述基于以下至少一项:第一次数、第二次数和所述目标版面是否分栏,确定目标版面的复杂度,包括:确定所述目标版面是否分栏;响应于确定所述目标版面分栏,确定所述复杂度为第一预设值,第一预设值大于预设的复杂度阈值;响应于确定所述目标版面未分栏,根据所述第一次数、第二次数和目标版面中的文本行数量,确定所述复杂度。
在一些实施例中,所述基于以下至少一项:第一次数、第二次数和所述目标版面是否分栏,确定目标版面的复杂度,包括:确定目标版面是否分栏;响应于确定目标版面分栏,根据第一分栏指示值、所述第一次数、第二次数和目标版面中的文本行数量,确定所述复杂度;响应于确定目标版面未分栏,根据第二分栏指示值、所述第一次数、第二次数和目标版面中的文本行数量,确定所述复杂度。
在一些实施例中,文本行位置信息包括文本行的行坐标和列坐标;以及所述目标版面是否分栏,通过以下方式确定:根据目标版面各个文本行的行坐标,确定行方向是否存在至少两个不相交的坐标区域;如果是,则确定所述目标文档分栏;如果否,则确定所述目标文档不分栏。
在一些实施例中,所述至少两种预定义的排版恢复函数包括基于列坐标的排版恢复函数;以及所述根据所述复杂度,选取针对所述目标版面的目标排版恢复函数,包括:响应于所述复杂度不大于预设的复杂度阈值,选取基于列坐标的排版恢复函数作为目标排版恢复函数。
在一些实施例中,所述至少两种预定义的排版恢复函数包括基于深度学习的排版恢复函数;以及所述根据所述复杂度,选取针对所述目标版面的目标排版恢复函数,包括:响应于所述复杂度大于预设的复杂度阈值,选取基于深度学习的排版恢复函数作为目标排版恢复函数。
请参考图8,图8示出了本公开的一个实施例的版面恢复方法可以应用于其中的示例性系统架构。
如图8所示,系统架构可以包括终端设备801、802、803,网络804,服务器805。网络804用以在终端设备801、802、803和服务器805之间提供通信链路的介质。网络804可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
终端设备801、802、803可以通过网络804与服务器805交互,以接收或发送消息等。终端设备801、802、803上可以安装有各种客户端应用,例如网页浏览器应用、搜索类应用、新闻资讯类应用。终端设备801、802、803中的客户端应用可以接收用户的指令,并根据用户的指令完成相应的功能,例如根据用户的指令在信息中添加相应信息。
终端设备801、802、803可以是硬件,也可以是软件。当终端设备801、802、803为硬件时,可以是具有显示屏并且支持网页浏览的各种电子设备,包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器(Moving Picture Experts Group Audio Layer III,动态影像专家压缩标准音频层面3)、MP4(Moving Picture Experts Group Audio Layer IV,动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。当终端设备801、802、803为软件时,可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供分布式服务的软件或软件模块),也可以实现成单个软件或软件模块。在此不做具体限定。
服务器805可以是提供各种服务的服务器,例如接收终端设备801、802、803发送的信息获取请求,根据信息获取请求通过各种方式获取信息获取请求对应的展示信息。并展示信息的相关数据发送给终端设备801、802、803。
需要说明的是,本公开实施例所提供的版面恢复方法可以由终端设备执行,相应地,版面恢复装置可以设置在终端设备801、802、803中。此外,本公开实施例所提供的版面恢复方法还可以由服务器805执行,相应地,版面恢复装置可以设置于服务器805中。
应该理解,图8中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
下面参考图9,其示出了适于用来实现本公开实施例的电子设备(例如图5中的终端设备或服务器)的结构示意图。本公开实施例中的终端设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图9示出的电子设备仅仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
如图9所示,电子设备可以包括处理装置(例如中央处理器、图形处理器等)901,其可以根据存储在只读存储器(ROM)902中的程序或者从存储装置908加载到随机访问存储器(RAM)903中的程序而执行各种适当的动作和处理。在RAM 903中,还存储有电子设备900操作所需的各种程序和数据。处理装置901、ROM 902以及RAM903通过总线904彼此相连。输入/输出(I/O)接口905也连接至总线904。
通常,以下装置可以连接至I/O接口905:包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置906;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置907;包括例如磁带、硬盘等的存储装置908;以及通信装置909。通信装置909可以允许电子设备与其他设备进行无线或有线通信以交换数据。虽然图9示出了具有各种装置的电子设备,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在非暂态计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信装置909从网络上被下载和安装,或者从存储装置908被安装,或者从ROM 902被安装。在该计算机程序被处理装置901执行时,执行本公开实施例的方法中限定的上述功能。
需要说明的是,本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中,计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
在一些实施方式中,客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol,超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信,并且可以与任意形式或介质的数字数据通信(例如,通信网络)互连。通信网络的示例包括局域网(“LAN”),广域网(“WAN”),网际网(例如,互联网)以及端对端网络(例如,ad hoc端对端网络),以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。
上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备:提取目标版面中的文本行位置信息;根据所述文本行位置信息,确定所述目标版面的复杂度,其中,复杂度用于表征所述目标版面中文本排布的复杂程度;根据所述复杂度,选取针对所述目标版面的目标排版恢复函数,其中,排版恢复函数用于基于文本行位置信息重建目标版面;采用所述目标排版恢复函数,对所述目标版面进行恢复。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码,上述程序设计语言包括但不限于面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。其中,单元的名称在某种情况下并不构成对该单元本身的限定,例如,提取单元还可以被描述为“提取文本行位置信息的单元”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如,非限制性地,可以使用的示范类型的硬件逻辑部件包括:现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本公开中所涉及的公开范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述公开构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
此外,虽然采用特定次序描绘了各操作,但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下,多任务和并行处理可能是有利的。同样地,虽然在上面论述中包含了若干具体实现细节,但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地,在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。
尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题,但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反,上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。