c#抽取pdf文档标题（3）

上一篇介绍了整体流程以及利用库读取pdf内容形成字符集合。这篇着重介绍下，过滤规则，毕竟我们是使用规则过滤，最后得到标题的。

首先看归一化处理，什么是归一化呢？就是使结果始终处于0-1之间(包括0,1）。

 private static double GetMark(BlockInfo block, double maxHeight, double maxWidth, double maxYSize, double maxXSize, double maxSpace)
         {
             double result = ;

             if (maxYSize > )
                 result += 0.4 * ((double)block.CharAveYSize / maxYSize);

             if (maxXSize > )
                 result += 0.3 * ((double)block.CharAveXSize / maxXSize);

             if (maxSpace > )

                 result += (block.CharAveSpace / maxSpace) * 0.1;

             if (maxHeight > )

                 result += (block.CharAveHeight / maxHeight) * 0.1;

             if (maxWidth > )
                 result += (block.CharAveWidth / maxWidth) * 0.1;
             if (block.RepresentativeChar.IsBold) result += 0.1;
             return result;
         }

这段代码，就是给块打分的一个方法。它包含了投票思想以及归一处理问题的思想。对于一个块，我们从不同的角度，也就是不同方面的特征值给分，每个特征所占的权重是不同的。YSize权重：0.4，XSize权重：0.3，它们的分值是这样计算的：

权重*（块的平均特征值 / 文档中最大特征值），拿YSize来说，假如块的CharAveYSize=40，maxYSize=60，那么结果：0.4*（40/60）= 0.267。

在这里，我想说的是，特征一定要选正确，还有特征的权重也要相对正确，否则会影响到结果的匹配率。记得之前是以Space特征为主选取的，那时候还没有采用评分系统，经测试，提取标题的准确率在30%左右，后来，看了那个同事以前的代码，发现人家的代码写的如此简单，据说准确率在60%，“大道至简”，我就又重新找到核心属性，于是经过摸索，YSize这个属性相当重要，于是准确度到了70%左右。到最后，采用了评分机制，准确度到了85%左右，再经过努力，不断完善代码，准确度提升到了92%左右。有截图为证：

针对完全图片类型的pdf文档，我们现阶段不予处理。那么除了规则外，还有没有其它途径，来筛选标题呢？答案是肯定的，机器学习是当下一个热门领域，好了，我们下一篇就讨论这方面的话题。