一种基于KNN算法的PDF文档拆分方法、介质及系统

本发明涉及一种基于KNN算法的PDF文档拆分方法、介质及系统，所述方法包括以下步骤：获取待拆分的PDF文档，通过KNN分类模型对待拆分的PDF文档中的文本进行分类预测，识别PDF文档中的标题页，收集标题页文本所在页码，得到标题页集合；根据标题页集合将PDF文档逐段拆分，得到多个独立的PDF文档；其中，KNN分类模型的训练步骤如下：获取PDF文档，遍历PDF文档的每一页，提取文本信息；将字号信息作为独立特征来构建特征矩阵；根据字号信息将PDF文档的文本标记为标题页和非标题页，并将标题页和非标题页的标签信息存储在标签向量中；结合特征矩阵和标签向量，构建训练数据集，对KNN分类模型进行训练。与现有技术相比，本发明提高拆分精度，减少人为干预。