本发明涉及识别 PDF 文件中的字符的技术领域， 特别是涉及一种识别 PDF 文件中的空格的方法。 背景技术

在将 PDF文件做字符提取，如：选择拷贝操作或转换 为其他格式（如 WORD、 TXT等格式） 的文件时， 都要对 PDF文件中的字符进行识别， 尤其是要对相邻字 符间的空格进行判断， 从而顺利地組词和断句。

因 PDF文件是版式文档的特殊性， 在文档中产生视觉上的空格效果的表现形 式是多种多样的， 相邻字符间空隙的产生有多种原因， 这里详细介绍其中的两个 原因， 一是因为存在空格所以产生空隙， 二是因为版面设置了字符间距所以产生 空隙。 现有的识别 PDF文件中的空格的技术， 是判断每对相邻字符之间的距离是 否小于预知的空格宽度， 是则判断该对相邻字符之间不存在空格， 否则判断该对 相邻字符间存在空格， 进而在转换后的文件中在该对相邻字符之间设 置空格。

现有技术的缺点在于： 当 PDF文件中的字符间距设置得过大， 例如其大于空 格宽度时， 该技术会将所有只存在字符间距而没有空格的 空隙全部判断为存在空 格， 这样就会造成组词和断句的大量错误， 严重影响格式转换的质量。 一个简单 的示例如图 1 所示， 该图中由两个单词 "Character" 和 "spacing" 组成了连贯的 "Character spacing" 词組, 但仅在 "Character" 最后的 V 字符和 "spacing" 中 的 "s" 字符之间存在空格 （该空隙实际上是一个空格与一个字符间距的 叠加）， 其余的相邻字符之间的空隙全部为字符间距， 但是由于该字符间距要大于空格宽 度， 因而利用现有技术识别后， 这个词组将在转换后的文件中变成包括 16个字母 字符和 15个空格的字符串 "C h a r a c t e r s p a c i n g" ,从而造成严重的转换失误。 发明内容

本发明所要解决的技术问题是提供一种识别 PDF文件中的空格的方法， 能提 高相邻字符之间是否存在空格的判断准确率。

本发明解决上述技术问题的技术方案如下： 一种识别 PDF文件中的空格的方 法， 该方法包括：

步驟 1 : 遍历所述 PDF文件， 记录各对相邻字符之间的距离；

步骤 2： 确定各对相邻字符之间的距离中的最小值 h；

步骤 3 : 用各对相邻字符之间的距离减去 h, 得到各对相邻字符之间的相对距 离，

步骤 4 : 依次判断各对相邻字符之间的相对距离是否小 于预知的空格宽度， 是 则该对相邻字符之间的空隙不是空格， 否则， 该对相邻字符之间的空隙包括空格。

本发明的有益效果是： 本发明通过便利 PDF文件， 记录各对相邻字符之间的 距离 ,进而确定各对相邻字符之间的距离中的最小� � h ,将其作为字符间距的标准， 这是因为， 相邻字符间的空隙只能为一个字符间距组成， 或者由一个字符间距与 一个以上的空格组成， 因而字符间距 h 是相邻字符间的距离的最小值。 本发明用 各对相邻字符之间的距离减去 h，得到各对相邻字符之间的相对距离，该相� �距离 或者小于空格宽度， 这是该对相邻字符之间不存在空格的情形， 或者不小于空格 宽度， 这是该对相邻字符之间存在空格的情形。 因此， 本发明通过依次判断各对 相邻字符之间的相对距离是否小于预知的空格 宽度， 即可剔除相邻字符之间的空 隙为字符间距的情形， 准确确定各对相邻字符之间的空隙是否为空格 ， 从而大大 提高相邻字符之间是否存在空格的判断准确率 。

在上述技术方案的基础上， 本发明还可以 #文如下改进：

进一步， 在所述步骤 4之后， 还包括步骤 5 : 将二者之间的空隙包括空格的相 邻字符称为包含空格的相邻字符； 用各对所述包含空格的相邻字符之间的相对距 离除以所述空格宽度， 将得到的商值的整数部分作为该对所述包含空 格的相邻字 符之间的空格的数量。 附图说明

图 1 为字符间距过大的 PDF文件的示意图；

图 2为本发明提出的识别 PDF文件中的空格的方法的流程图。 具体实施方式

以下结合附图对本发明的原理和特征进行描述 ， 所举实例只用于解释本发明， 并非用于限定本发明的范围。 图 2为本发明提出的识别 PDF文件中的空格的方法的流程图。 这里， PDF是 Portable Document Format的缩写， 意为便携文件格式， 是一种电子文件格式， PDF 文件指的是采用 PDF格式的电子文件。本发明中， PDF文件中的字符可以为字母、 数字、 汉字、 空格、 标点等一切可以采用的字符形式。

如图 2所示， 该方法包括：

步骤 201 : 遍历 PDF文件， 记录各对相邻字符之间的距离。

本步骤中的 "遍历" 是一种计算机运算形式， 指的是沿着某条搜索路线， 依 次对树中每个结点均做一次且仅做一次访问。 遍历的方法以及上述的 "树" 的概 念属于计算机领域的公知常识， 在此不做赘述。

本步骤中，遍历 PDF文件的方法为： 对 PDF文件中的每个字符都进行一次访 问， 且仅做一次访问。

PDF 文件中的每对相邻字符之间都有一定的空隙， 空隙的大小因字符间距以 及是否存在空格的不同而有一定差异， 而在每个 PDF文件中， 空格宽度都是已知 的， 因而相邻字符之间的距离 （也就是空隙的大小） 就仅与字符间距的设置有关。 本步骤在进行空格的识别之前， 要记录所有相邻字符之间的距离， 从而为步骤 202 确定字符间距做准备。

步骤 202： 确定各对相邻字符之间的距离中的最小值 h。

相邻字符之间的空隙只有如下两种来源： 一是由一个字符间距构成该空隙， 二是由一个字符间距与一个以上的空格叠加构 成该空隙。 因此， 在步骤 201 确定 了所有相邻字符之间的距离的基础上， 本步骤可以从中找出相邻字符之间的距离 的最小值 并且， h即为该 PDF文件中设置的字符间距， 也就是说， 该 PDF文 件中， 二者之间的距离为 h 的一对或多对相邻字符， 其二者之间的空隙仅由一个 字符间距組成， 而没有空格的存在。

步驟 203 : 用各对相邻字符之间的距离减去 h， 得到各对相邻字符之间的相对 距离。

在上述的相邻字符之间的空隙的两种来源的基 础上， 本步骤用各对相邻字符 之间的距离减去1， 得到的差值（即各对相邻字符之间的相对距离 ） 或者为零， 或 者为正整数倍的空格宽度。 值得注意的是， 考虑到不同种类的字符之间的字符间 距可能有较小的差异， 上述的差值为零的情形， 可以扩展到差值为绝对值接近零 且远小于空格宽度的值， 上述的差值为整数倍的空格宽度的情形， 可以扩展到差 值为正整数倍的空格宽度加上或者减去一极小 值的情形， 该极小值指的是接近零 且远小于空格宽度的正值。

步骤 204 : 依次判断各对相邻字符之间的相对距离是否小 于预知的空格宽度， 是则该对相邻字符之间的空隙不是空格， 否则， 该对相邻字符之间的空隙包括空 格。

在步骤 203 的基础上， 本步骤判断各对相邻字符之间的相对距离是否 小于预 知的空格宽度， 如果是， 则意味着该对相邻字符之间的空隙仅由一个字 符间距构 成， 因而可判断该对相邻字符之间的空隙不是空格 ， 否则， 意味着该对相邻字符 之间的空隙由一个字符间距与一个以上的空格 构成， 因而可判断该对相邻字符之 间的空隙包括空格， 这里的 "包括" 意味着该空隙还包括一个字符间距。

在本步骤执行结束之后， 即可确定该 PDF文件中所有的空格， 从而在进行文 件格式的转换时， 在有空格的位置设置空格， 保证转换质量。

由此可见， 本发明通过便利 PDF文件， 记录各对相邻字符之间的距离， 进而 确定各对相邻字符之间的距离中的最小值 h ,将其作为字符间距的标准，这是因为， 相邻字符间的空隙只能为一个字符间距组成， 或者由一个字符间距与一个以上的 空格組成， 因而字符间距 h 是相邻字符间的距离的最小值。 本发明用各对相邻字 符之间的距离减去 h，得到各对相邻字符之间的相对距离，该相� �距离或者小于空 格宽度， 这是该对相邻字符之间不存在空格的情形， 或者不小于空格宽度， 这是 该对相邻字符之间存在空格的情形。 因此， 本发明通过依次判断各对相邻字符之 间的相对距离是否小于预知的空格宽度， 即可剔除相邻字符之间的空隙为字符间 距的情形， 准确确定各对相邻字符之间的空隙是否为空格 ， 从而大大提高相邻字 符之间是否存在空格的判断准确率。

步骤 204确定了 PDF文件中包括空格的位置， 但步骤 201至 204还不能确定 相邻字符之间的空格的数量， 因而在上述的步骤 204 之后， 还可以包括确定相邻 字符之间的空格数量的步骤 205 :将二者之间的空隙包括空格的相邻字符称为� �含 空格的相邻字符； 用各对包含空格的相邻字符之间的相对距离除 以空格宽度， 将 得到的商值的整数部分作为该对包含空格的相 邻字符之间的空格的数量。

步骤 205 中， 用商值的整数部分作为该对包含空格的相邻字 符之间的空格的 数量， 而不是用商值作为该对包含空格的相邻字符之 间的空格的数量， 也是因为 考虑到不同种类的字符之间的字符间距有较小 的差异， 该商值在整数部分之外， 还可能包括小数部分。

利用本发明对图 1示例中的空格进行判断，结果为仅在 "Character"最后的 "r" 字符和 "spacing"中的 "s"字符之间存在空格， 因而格式转换的结果就为 "Character spacing" , 与 PDF文件所要表示的内容相同。

由此可见， 本发明具有以下优点：

( 1 ) 本发明通过便利 PDF 文件， 记录各对相邻字符之间的距离， 进而确定 各对相邻字符之间的距离中的最小值 h， 将其作为字符间距的标准， 这是因为， 相 邻字符间的空隙只能为一个字符间距组成， 或者由一个字符间距与一个以上的空 格組成， 因而字符间距 h是相邻字符间的距离的最小值。 本发明用各对相邻字符 之间的距离减去 h，得到各对相邻字符之间的相对距离，该相� �距离或者小于空格 宽度， 这是该对相邻字符之间不存在空格的情形， 或者不小于空格宽度， 这是该 对相邻字符之间存在空格的情形。 因此， 本发明通过依次判断各对相邻字符之间 的相对距离是否小于预知的空格宽度， 即可剔除相邻字符之间的空隙为字符间距 的情形， 准确确定各对相邻字符之间的空隙是否为空格 ， 从而大大提高相邻字符 之间是否存在空格的判断准确率。

以上所述仅为本发明的较佳实施例， 并不用以限制本发明， 凡在本发明的精 神和原则之内， 所作的任何修改、 等同替换、 改进等， 均应包含在本发明的保护 范围之内。