一种PDF文本解析方法及装置

摘要

本发明涉及计算机技术领域，尤其涉及一种PDF文本解析方法及装置，所述方法包括：获取预设数量的PDF文本段落内容；根据预设的分句规则对PDF文本段落内容进行分句，获得第一文本；根据第一文本，构造句子对，获得正样本数据；对正样本数据进行拼接，在预设的文本位置处随机插入换行符，获得第二文本；根据第二文本，构造句子对，获得负样本数据；通过预训练语言模型对正样本数据和负样本数据进行模型训练，得到训练好的目标模型；获取目标PDF文本段落内容，输入到训练好的目标模型中，获取目标模型的输出信息。该方法主要应用于批量自动处理PDF文件转文本的场景，目标模型能够有效识别并处理语料中非正常的换行符，保留段落间的换行符，恢复正常的语境。