国内某国家重点新闻网站旗下信息技术企业，依托核心媒体资料库、相关技术能力及长期人工审核经验，推出内容审校平台，面向信息宣传场景提供内容风险审校服务，支持文本、图片、视频等多种内容形式。 对于用户上传的PDF文档，平台需要在服务器端提取文本和图片，并转换为HTML格式，用于后续审校、批注和展示。由于审校涉及关键词使用、错别字等内容检测，对文本连贯性要求较高，而报纸、期刊等PDF往往采用多栏复杂排版，直接提取文字容易打乱原有阅读顺序。如何按照版面结构获取标题、段落、图片等内容，并还原正常阅读顺序，成为PDF进入审校流程的关键技术需求。 一、版面识别还原阅读顺序，让复杂PDF有序进入审校 针对这一核心需求，项目引入Foxit PDF SDK的版面识别（Layout Recognition）能力。不同于单纯获取PDF页面中的文字，该版面识别技术可获取PDF中的段落、标题、表格等内容，并将页面内容以清晰的结构输出至应用程序，为后续解析提供基础。 在该内容审校平台中，福昕PDF SDK对PDF文本内容进行分块解析和提取，保证段落中语句的完整性，再通过排序实现按阅读顺序提取文档内容。完成解析后，客户可根据实际业务需求，将相关文本进一步以HTML格式输出，进入后续审校、批注和展示流程。 相比单纯提取文字，福昕PDF SDK的版面识别技术进一步保留了复杂PDF中的段落关系与阅读顺序，为后续审校提供连贯、有序的文本基础。 二、区域截图处理图片内容，兼顾清晰度与稳定输出 除了文本，平台还需要提取PDF中的图片内容。受PDF文件本身影响，图片导出过程中可能出现分辨率过高、图片旋转、多个紧邻图片被分别导出等情况。 福昕PDF SDK支持对PDF页面特定区域按照指定分辨率进行截图，在保证导出图片清晰度的同时，可对分辨率过高的图片进行压缩，并减少因文件本身导致的图片旋转、多个紧邻图片被拆分导出等异常情况，更好满足平台对PDF图片内容的提取需求。 对于内容审校而言，准确判断的前提，是先准确获取内容。福昕PDF SDK从复杂版式解析这一基础环节入手，让PDF中的文本与图片更好地进入后续审校流程，为内容审校提供可靠的文档解析基础。 郑重声明：此文内容为本网站转载企业宣传资讯，目的在于传播更多信息，与本站立场无关。仅供读者参考，并请自行核实相关内容。
|
