聊聊关于PDF的企业应用技术

一、PDF类别

1、文本型

即在计算机上使用W3C技术(如HTML等技术)或其他软件(如Adobe Acrobat、Word等MarkDown工具)创建的。这种类型的文件可以包含各种组件，例如图像、文本和链接，这些组件都是可以被选中、搜索和易于编辑的。

2、扫描型

即通过扫描仪、手机的扫描王APP从实物上扫描创建的。这种类型的文件只不过是存储在PDF文件中的图像集合。也就是说，出现在这些图像中的元素，如文本或链接是不能被选择或搜索的。

二、pdf转换word思路

1、版面分析

opencv方案

段落检测：膨胀竖线和横线，即过滤表格区域

表格检测：检测所有轮廓，过滤文字区域

检测结果示例：

优点：规则实现，成本低

缺点：效果不佳，无法覆盖更多类型，如标题

深度学习方案

paddleocr(基于picodet_lcnet_x1_0_fgd_layout_cdla模型)

模型说明：CDLA数据集训练的中文版面分析模型，可以划分为正文、标题、表格、图片、图片标题、表格标题、页眉、脚本、引用、公式10类区域

检测结果示例：

参考链接：ppstructure/docs/models_list.md · PaddlePaddle/PaddleOCR - Gitee.com

yolo8(基于general6-8n模型)

模型说明：通用场景数据集(注:数据量更丰富)训练的中文版面分析模型，可以划分为表格、图片、图片标题、表格标题、正文、标题、公式7类区域

检测结果示例：

参考链接：qihoo360/360LayoutAnalysis · HF Mirror

参考技术：opencv、paddleocr、yolo8

2、pdf转换word

段落：根据版面分析的段落位置和pdf每一页图片宽高，计算段落内容位于左、中、右，最终实现poi word的段落插入

表格：根据版面分析的表格结构，即单元格属性row、col、rowspan、colspan，text通过pdfbox的按区域获取方法实现，最终实现poi word的表格插入

word结果示例：

参考技术：pdfbox、apache poi

三、业界产品案例

万兴pdf：https://www.hipdf.cn