本发明涉及互联网
技术领域：
：，尤其涉及一种筛选pdf文件信息的方法、装置、计算机设备及存储介质。
背景技术：
：：pdf(portabledocumentformat，便携式文档格式)是一种可移植文档格式，独立于软件、硬件、操作系统，即使跨平台时仍能保留文件原有格式。由于其具有跨平台、多媒体集成、安全等优点，pdf已成为目前使用最为广泛的电子文档格式之一，大量有价值的数据均以pdf文件的形式进行呈现。pdf格式的文档结构与html、xml等格式不同，pdf文件对表格没有特殊的定义，而只是线条与文字的位置组合，pdf包含关键字、分隔符、数据等标识，但由于pdf文件是按照二进制流的方式保存相应信息。所以，pdf文件结构复杂，pdf文件提取数据技术相对困难。作为结构化的文件格式，pdf文档是由一些称为“对象”的模块组成的，通过对这些对象进行编号，实现了对象间的引用和随机访问，页面对象中除了包含页面的内容(文字和图片等)，也有显示该页面的信息，例如字体和页面大小等，整个文档如同一个树形结构，每个对象为一个节点，包含了不同类型的数据，因此，解析pdf难度较大，目前的常规操作是借助第三方模块解决。在目前的日常办公过程中，用户经常需要输入一串文本去匹配pdf文件格式的合同文本中是否包含此串文本，并且需要快速定位和匹配，现有的技术条件对此类办公需求的解决方法还是一个相对空白的领域。公开于该
背景技术：
：部分的信息仅仅旨在加深对本发明的总体
背景技术：
：的理解，而不应当被视为承认或以任何形式暗示该信息构成已为本领域技术人员所公知的现有技术。技术实现要素：本发明实施例提供了一种筛选pdf文件信息的方法，旨在解决上述问题。该方法针对pdf文件中的数据信息进行准确识别，以满足用户将输入的字符串与pdf格式的合同文本中信息快速筛选定位的需求。第一方面，本发明实施例提供了一种筛选pdf文件信息的方法，包括以下步骤：运行pdf插件，所述pdf插件用于将pdf文件无损转换为文本文件；获取人工编写的一段c语言代码，所述c语言代码用于支持java虚拟机调用所述pdf插件；执行所述c语言代码，通过所述c语言代码调用所述pdf插件以模拟用户将pdf文件转换为文本文件；通过执行内置代码把文本文件转换为xml数据并进行解析；把解析后的xml数据通过预设的规则进行初次匹配，以获得初次匹配后的文件信息；将初次匹配后的文件信息通过优化算法进行分页保存到处理器缓存；将用户输入的字符串数据与处理器缓存内的文件信息进行再次匹配，以获得输出结果。其进一步技术方案为，所述把解析后的xml数据通过预设的规则进行初次匹配，以获得初次匹配后的文件信息的步骤，包括将xml数据按照预设标签拆分成若干数据块，按照预设标签的子父级关系将各个数据块连接成为树型结构数据，并且涵盖相邻标签的索引关系的步骤。其进一步技术方案为，所述将初次匹配后的文件信息通过优化算法进行分页保存到处理器缓存的步骤，包括将所述数据块和树型结构数据的索引关系以及相邻标签的索引关系存入redis缓存以便于后续匹配的步骤。其进一步技术方案为，所述将用户输入的字符串数据与处理器缓存内的文件信息进行再次匹配，以获得输出结果的步骤，包括根据用户输入的字符串数据，启动若干线程进行分词查询，对分词查询结果进行合并处理的步骤。其进一步技术方案为，所述在运行pdf插件，所述pdf插件用于将pdf文件无损转换为文本文件的步骤中的所述文本文件包括doc文件和docx文件。第二方面，本发明实施例还提供了一种6.一种筛选pdf文件信息的装置，包括以下单元：插件运行单元，用于运行pdf插件，所述pdf插件用于将pdf文件无损转换为文本文件；代码获取单元，用于获取人工编写的一段c语言代码，所述c语言代码用于支持java虚拟机调用所述pdf插件；代码执行单元，用于执行所述c语言代码，通过所述c语言代码调用所述pdf插件以模拟用户将pdf文件转换为文本文件；转换解析单元，用于通过执行内置代码把文本文件转换为xml数据并进行解析；初次匹配单元，用于把解析后的xml数据通过预设的规则进行初次匹配，以获得初次匹配后的文件信息；优化保存单元，用于将初次匹配后的文件信息通过优化算法进行分页保存到处理器缓存；再次匹配单元，用于将用户输入的字符串数据与处理器缓存内的文件信息进行再次匹配，以获得输出结果。第三方面，本发明实施例还提供了一种计算机设备，其包括存储器及处理器，所述存储器上存储有计算机程序，所述处理器执行所述计算机程序时实现上述方法。第四方面，本发明实施例还提供了一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被处理器执行时可实现上述方法。本发明实施例提供了一种筛选pdf文件信息的方法，该方法通过处理器的java虚拟机预先将pdf文件的信息进行转换、匹配和存储，便于用户迅速准确将输入的字符串进行匹配定位，识别效率高，成熟稳定；仅需要通过pdf插件及调用c语言代码即可实现pdf文件信息的筛选工作，无需额外安装第三方软件或模块，内存空间占用率小，减少占用系统线程；筛选后的pdf文件信息暂存于系统缓存中，便于使用后迅速删除，对pdf文件内容保密性安全程度高。下面结合附图和具体实施例对本发明作进一步描述。附图说明为了更清楚地说明本发明实施例技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1为本发明实施例提供的筛选pdf文件信息的方法的流程示意图；图2为本发明实施例提供的筛选pdf文件信息的装置单元结构示意图；图3为本发明实施例提供的计算机设备的示意性框图。具体实施方式下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。还应当理解，在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。还应当进一步理解，在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。请参阅图1，如图所示，本实施例提供的1.一种筛选pdf文件信息的方法，包括以下步骤：s100运行pdf插件，所述pdf插件用于将pdf文件无损转换为文本文件；s200获取人工编写的一段c语言代码，所述c语言代码用于支持java虚拟机调用所述pdf插件；虚拟机是一种抽象化的计算机，通过在实际的计算机上仿真模拟各种计算机功能来实现的。java虚拟机有自己完善的硬体架构，如处理器、堆栈、寄存器等，还具有相应的指令系统。java虚拟机屏蔽了与具体操作系统平台相关的信息，使得java程序只需生成在java虚拟机上运行的目标代码(字节码)，就可以在多种平台上不加修改地运行。s300执行所述c语言代码，通过所述c语言代码调用所述pdf插件以模拟用户将pdf文件转换为文本文件；s400通过执行内置代码把文本文件转换为xml数据并进行解析；先将pdf文件转换为中间格式的文档，本实施例中的中间格式文档为xml(extensiblemarkuplanguage，可扩展标记语言)数据，于其他实施例中，亦可转化为html(hypertextmarkuplanguage，超文本标记语言。s600把解析后的xml数据通过预设的规则进行初次匹配，以获得初次匹配后的文件信息；s700将初次匹配后的文件信息通过优化算法进行分页保存到处理器缓存；s800将用户输入的字符串数据与处理器缓存内的文件信息进行再次匹配，以获得输出结果。步骤s600把解析后的xml数据通过预设的规则进行初次匹配，以获得初次匹配后的文件信息，包括将xml数据按照预设标签拆分成若干数据块，按照预设标签的子父级关系将各个数据块连接成为树型结构数据，并且涵盖相邻标签的索引关系的步骤。步骤s700初次匹配后的文件信息通过优化算法进行分页保存到处理器缓存，包括将所述数据块和树型结构数据的索引关系以及相邻标签的索引关系存入redis缓存以便于后续匹配的步骤。redis缓存为内存中存储数据备份，当数据没有发生本质改变的时候不去数据库中查询，而是去内存中取数据。redis缓存是一个开源的使用ansic语言编写、支持网络、可基于内存亦可持久化的日志型、key-value数据库，并提供多种语言的api。步骤s800将用户输入的字符串数据与处理器缓存内的文件信息进行再次匹配，以获得输出结果，包括根据用户输入的字符串数据，启动若干线程进行分词查询，对分词查询结果进行合并处理的步骤。步骤s100在运行pdf插件，所述pdf插件用于将pdf文件无损转换为文本文件中的所述文本文件包括doc文件和docx文件。原因在于，相较于其他类型的文本数据类型，doc和docx文件在pdf文件转换过程中能够最大程度地做到无损转换。参阅图图2，对应于以上筛选pdf文件信息的方法，本发明还提供一种筛选pdf文件信息的装置。该筛选pdf文件信息的装置包括用于执行上述筛选pdf文件信息的方法的单元，该装置可以被配置于台式电脑、平板电脑、手提电脑、等终端中。具体地，该筛选pdf文件信息的装置包括以下各个单元：插件运行单元100，用于运行pdf插件，所述pdf插件用于将pdf文件无损转换为文本文件；代码获取单元200，用于获取人工编写的一段c语言代码，所述c语言代码用于支持java虚拟机调用所述pdf插件；代码执行单元300，用于执行所述c语言代码，通过所述c语言代码调用所述pdf插件以模拟用户将pdf文件转换为文本文件；转换解析单元400，用于通过执行内置代码把文本文件转换为xml数据并进行解析；初次匹配单元600，用于把解析后的xml数据通过预设的规则进行初次匹配，以获得初次匹配后的文件信息；优化保存单元700，用于将初次匹配后的文件信息通过优化算法进行分页保存到处理器缓存；再次匹配单元800，用于将用户输入的字符串数据与处理器缓存内的文件信息进行再次匹配，以获得输出结果。本发明实施例的筛选pdf文件信息的方法，该方法通过处理器的java虚拟机预先将pdf文件的信息进行转换、匹配和存储，便于用户迅速准确将输入的字符串进行匹配定位，识别效率高，成熟稳定；仅需要通过pdf插件及调用c语言代码即可实现pdf文件信息的筛选工作，无需额外安装第三方软件或模块，内存空间占用率小，减少占用系统线程；筛选后的pdf文件信息暂存于系统缓存中，便于使用后迅速删除，对pdf文件内容保密性安全程度高。上述筛选pdf文件信息的装置可以实现为一种计算机程序的形式，该计算机程序可以在如图3所示的计算机设备上运行。请参阅图3，图3是本申请实施例提供的一种计算机设备的示意性框图。该计算机设备500可以是终端，也可以是服务器，其中，终端可以是智能手机、平板电脑、笔记本电脑、台式电脑、个人数字助理和穿戴式设备等具有通信功能的电子设备。服务器可以是独立的服务器，也可以是多个服务器组成的服务器集群。参阅图3，该计算机设备500包括通过系统总线510连接的处理器520、网络接口550，其中，存储器可以包括非易失性存储介质530和内存储器540。该非易失性存储介质530可存储操作系统531和计算机程序532。该计算机程序532包括程序指令，该程序指令被执行时，可使得处理器520执行一种跨租户授权方法。该处理器520用于提供计算和控制能力，以支撑整个计算机设备500的运行。该内存储器540为非易失性存储介质530中的计算机程序532的运行提供环境，该计算机程序532被处理器520执行时，可使得处理器520执行一种跨租户授权方法。该网络接口550用于与其它设备进行网络通信。本领域技术人员可以理解，图3中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备500的限定，具体的计算机设备500可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。应当理解，在本申请实施例中，处理器520可以是中央处理单元(centralprocessingunit，cpu)，该处理器520还可以是其他通用处理器、数字信号处理器(digitalsignalprocessor，dsp)、专用集成电路(applicationspecificintegratedcircuit，asic)、现成可编程门阵列(field-programmablegatearray，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。其中，通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。本领域普通技术人员可以理解的是实现上述实施例的方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成。该计算机程序包括程序指令，计算机程序可存储于一存储介质中，该存储介质为计算机可读存储介质。该程序指令被该计算机系统中的至少一个处理器执行，以实现上述方法的实施例的流程步骤。因此，本发明还提供一种存储介质。该存储介质可以为计算机可读存储介质。该存储介质存储有计算机程序，其中计算机程序包括程序指令。存储介质可以是u盘、移动硬盘、只读存储器(read-onlymemory，rom)、磁碟或者光盘等各种可以存储程序代码的计算机可读存储介质。本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。在本发明所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的。例如，各个单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。本发明实施例方法中的步骤可以根据实际需要进行顺序调整、合并和删减。本发明实施例装置中的单元可以根据实际需要进行合并、划分和删减。另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以是两个或两个以上单元集成在一个单元中。该集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分，或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，终端，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本
技术领域：
：的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。当前第1页12当前第1页12