一种基于深度学习和版面分析的PDF提取方法和系统

本发明涉及一种基于深度学习和版面分析的PDF提取方法和系统，包括：获取PDF文件，对于扫描版文件和文字版文件分别通过OCR技术和深度学习模型进行元素识别，元素包括文本、图片、表格和公式；根据识别出的元素，将PDF文件的页面划分为多个逻辑块，并确定层级关系和顺序；对识别出的元素进行无实质帮助元素的删除，并提取文档内容；根据文档内容进行页面布局分析，对各个逻辑块进行重新排序和组织，得到版面布局；对文档内容进行分类和解析，然后分类存储；根据用户需求，将分类存储的文档内容以对应的版面布局进行拼接，生成目标格式的文档。与现有技术相比，本发明实现了高效准确的PDF提取，同时保留了原文档的重要结构和内容。