基于图像分割和OCR的PDF文本提取方法

本发明公开了基于图像分割和OCR的PDF文本提取方法，属于图像处理技术领域，包括以下步骤：S1、将待解析的PDF文件进行图像化处理；S2、构建分栏判定模型，通过分栏判定模型判断图像化处理后的PDF文件是否存在分栏；S3、构建图像分割模型，对存在分栏的PDF文件进行分割，分割结果按照坐标，顺序调用OCR算法接口进行文本信息提取并按顺序拼接；S4、基于文本坐标进行页眉页脚过滤；S5、最后进行正则表达式过滤和表格信息过滤，得到文本数据。本发明能够处理各类格式的PDF文件，尤其适用于存在分栏情况的PDF文件，识别准确率高，具有良好的适用性。