[發明專利]抽取電子表格文檔中結構化信息的方法及裝置

有效

• 申請號: 201611245472.9
• 申請日: 2016-12-29
• 公開（公告）號: CN106709032B
• 公開（公告）日: 2019-12-20
• 發明（設計）人: 張軍;賈西貝
• 申請（專利權）人: 深圳市華傲數據技術有限公司
• 主分類號: G06F16/25
• 分類號: G06F16/25
• 代理公司: 11514 北京酷愛智慧知識產權代理有限公司
• 代理人: 任媛

1.一種抽取電子表格文檔中結構化信息的方法，其特征在于，包括：

通過孤立表格識別算法獲取電子表格文檔中所有業務表格；

對所述業務表格進行布局分析；

根據布局分析結果從所述業務表格中抽取內容，并做對應的轉換處理得到結構化信息；所述通過孤立表格識別算法獲取電子表格文檔中所有業務表格，包括：

建立與所述電子表格文檔的尺寸相同的兩個二維bit數組，記為A和B；

遍歷所述電子表格文檔中的所有單元格，若單元格中有內容，則A中相應位置標記為1，否則標記為0；

遍歷所述電子表格文檔中的所有單元格，根據單元格的邊框線對B進行標記；

若B中的值為1，則A中相同位置的值設為1；

根據更新后的A獲取所述電子表格文檔中的業務表格坐標。

2.根據權利要求1所述的方法，其特征在于，所述遍歷所述電子表格文檔中的所有單元格，根據單元格的邊框線對B進行標記，包括：

遍歷所述電子表格文檔中的所有單元格，若單元格的四個邊角至少有一個邊角存在兩條邊框線，則B中相應位置標記為1。

3.根據權利要求2所述的方法，其特征在于，所述遍歷所述電子表格文檔中的所有單元格，若單元格的四個邊角至少有一個邊角存在兩條邊框線，則B中相應位置標記為1后，還包括：

步驟S132，再次遍歷所述電子表格文檔中的所有單元格，若單元格存在邊框線，且B上對應值為0，且與所述單元格相鄰的上下左右四個單元格在B中的值至少有一個被標記為1，則將所述單元格在B中的位置標記為1；

步驟S133，再次遍歷所述電子表格文檔中的所有單元格，若單元格在B上對應值為0，且在包含所述單元格的2×2的區域內，其它三個單元格在B上對應值都是1，則在B上標記所述單元格為1，并且計數器加1；

步驟S134，若所述計數器不為0，則所述計數器清零，重新執行步驟S133。

4.根據權利要求2所述的方法，其特征在于，所述根據更新后的A獲取所述電子表格文檔中的業務表格坐標，包括：

對更新后的A進行縮小操作，得到LA；

根據LA獲取所述電子表格文檔中的業務表格坐標。

5.根據權利要求4所述的方法，其特征在于，所述對更新后的A進行縮小操作，得到LA，包括：

從A的最左側開始遍歷A中所有的列，若列中存在1的值，則記錄列的列坐標X1，終止遍歷；

從A的最右側開始遍歷A中所有的列，若列中存在1的值，則記錄列的列坐標X2，終止遍歷；

從A的最上側開始遍歷A中所有的行，若行中存在1的值，則記錄行的行坐標Y1，終止遍歷；

從A的最下側開始遍歷A中所有的行，若行中存在1的值，則記錄行的行坐標Y2，終止遍歷；

提取出A中[X1,X2,Y1,Y2]位置的數據，形成二維bit數組LA，并根據X1、X2、Y1、Y2確定LA和A的坐標映射關系。

6.根據權利要求5所述的方法，其特征在于，所述根據LA獲取所述電子表格文檔中的業務表格坐標，包括：

若LA中所有值都為1，則所述電子表格文檔中只有一個表格，業務表格坐標為[X1,X2,Y1,Y2]；

否則，檢測所述電子表格文檔中第X1列、第Y1行的單元格是否為空，若單元格不為空，則一直向右檢測其余單元格，直到檢測到空單元格，記錄空單元格的列坐標為X3，

從上向下檢測第X1列的單元格是否為空，直到檢測到空單元格，記錄空單元格的行坐標為第X1列的最大行坐標，繼續檢測下一列，直到檢測完第X3列，

若所有最大行坐標中最大值為Y3，則業務表格坐標為[X1,X3,Y1,Y3]，將LA中與[X1,X3,Y1,Y3]相對應位置的內容設為0，得到新的LA；

根據更新后的LA獲取所述電子表格文檔中的業務表格坐標，直到提取出所述電子表格文檔中所有業務表格。