PDF是一种常用的多平台文档储存格式,并广泛应用于电子文档的发行以及数字化信息的传播。随着PDF的不断普及,从其中提取相关的结构信息逐渐成为研究的热点,这些结构信息可作为文本提取、机器学习以及PDF重构等应用的重要数据来源。然而,作为一种固定的文本格式,PDF并不直接提供相关的结构信息,因此需要利用结构解析方法对PDF文件进行处理。本文以学术论文PDF结构作为研究对象,针对PDF全文结构提出了一整套的结构解析方案,主要工作如下:1.本文通过分析PDF文档的结构特点,提出将PDF全文结构划分成文本、图像、表格三类结构元素。针对每类结构的特征,本文提出基于Mask R-CNN模型的机器学习方法来解析PDF文档结构,该方法通过对PDF三类结构进行划分来构建相关数据集,并通过模型构建以及参数的优化调节来不断训练模型,进而完成PDF结构信息的解析与提取。2.针对机器学习方法直接得到的P DF结构信息块可能不准确或者不能解析的情况,本文进一步提出利用众包技术来对PDF结构进行自定义解析,设计并实现了PDF结构自定义解析的众包系统,并提出了PDF结构块自调节算法和结构块重排序算法,通过众包模式来完成人工纠错和手动调节,进一步弥补了机器学习方法解析PDF结构所带来的不足。3.针对众包模式可能带来的大量众包数据,本文还设计并实现了一个多数人的投票方案,提出了基于页面单元的投票算法、基于结构块的投票算法以及IOU-结构块算法,通过投票方案的设计筛选出大多数用户对于同一页PDF结构自定义解析的结果,从而得到更加精准的PDF结构解析数据。本文对上述方案设计了相关实验,结果表明,本文提出的机器学习方法可有效完成PDF的结构解析,通过众包模式和投票策略可进一步得到更准确的PDF结构信息。本文提出的解析方案有利于进一步挖掘PDF学术论文中的信息,同时也为PDF结构解析开拓了新的思路。