[發明專利]一種提取PDF表格信息的系統

在審

• 申請號: 201810399152.1
• 申請日: 2018-04-28
• 公開（公告）號: CN108595402A
• 公開（公告）日: 2018-09-28
• 發明（設計）人: 荊姝娟;周帥鵬
• 申請（專利權）人: 西安極數寶數據服務有限公司
• 主分類號: G06F17/24
• 分類號: G06F17/24
• 代理公司: 暫無信息
• 代理人: 暫無信息

本發明公開了一種提取PDF表格信息的系統，其特征在于，包括文件讀取模塊、文件加載、表格坐標獲取、表格坐標處理、表格內容獲取、跨頁處理、PDF文檔與表格矩陣，所述文件讀取模塊包括文件加載、表格坐標獲取、表格坐標處理、表格內容獲取與跨頁處理，所述PDF文檔通過信息讀取模塊結果輸出為表格矩陣。所述PDF文檔為標準的表格數據，對于手工繪制的線條暫不做處理。所述跨頁處理包括跨頁表格按照每一個單元格的坐標信息和表頭進行合并。所述PDF文檔中的流數據操作符為“q”的表格。本發明能夠提取PDF文件中的表格信息，且效率高、準確性高、不僅能提取表格的樣式，更能提取表格中的內容。

技術領域

本發明涉及文件處理技術領域，尤其涉及一種提取PDF表格信息的系統。

背景技術

隨著計算機網絡的發展，信息量的不斷增長，電子文件信息已經深入到了生產和生活的各個方面，如工業設計、影視娛樂、科學研究、教育和管理等方面的視頻、音頻、動畫、表格等信息。PDF文件所支持的格式包括文本、表格、動畫、音頻和視頻等信息，目前還沒有方法能準確無誤地提取出PDF文件中包含的信息。因此針對其中表格信息提取是我們研究的重點。從表頭方向來說表頭是橫向的(簡稱為橫表)表頭是縱向的(簡稱為豎表)，從同一個表格的分布來說表格存在跨頁的情況，需要進行判斷并有效合并完整的表格再一頁中展示，直接提取。從一個PDF頁面來說可能存在一個表格，可能有多個表格，可能有一張表格的一部分，可能有兩張表各自的一部分。從PDF文件來說可能一個頁面有表格，可能多個頁面有表格，可能要同時處理多個PDF的表格。針對上述情況，我們從PDF文件屬性出發，通過研究PDF文件的字符流信息，發現使用PDFBox工具箱可以有效獲取目前所有PDF的字符流信息，并能獲取到關于PDF頁碼和字符等信息。

發明內容

鑒于此，本發明提供了一種提取PDF表格信息的系統，其特征在于，包括文件讀取模塊、文件加載、表格坐標獲取、表格坐標處理、表格內容獲取、跨頁處理、PDF文檔與表格矩陣，所述文件讀取模塊包括文件加載、表格坐標獲取、表格坐標處理、表格內容獲取與跨頁處理，所述PDF文檔通過信息讀取模塊結果輸出為表格矩陣。

對本發明的進一步描述，所述PDF文檔為標準的表格數據，對于手工繪制的線條暫不做處理。

對本發明的進一步描述，所述跨頁處理包括跨頁表格按照每一個單元格的坐標信息和表頭進行合并。

對本發明的進一步描述，所述文件讀取模塊讀取文件中的流數據后，使用流讀取操作獲取文件的流數據信息。

對本發明的進一步描述，所述PDF文檔中的流數據操作符為“q”的表格。

采用上述技術方案，具有如下有益效果：

本發明能夠提取PDF文件中的表格信息，且效率高、準確性高、不僅能提取表格的樣式，更能提取表格中的內容。

附圖說明

圖1為本發明的系統結構圖。

具體實施方式

下面結合附圖對本發明做進一步說明。

如圖1所述的一種提取PDF表格信息的系統，其特征在于，包括文件讀取模塊、文件加載、表格坐標獲取、表格坐標處理、表格內容獲取、跨頁處理、PDF文檔與表格矩陣，所述文件讀取模塊包括文件加載、表格坐標獲取、表格坐標處理、表格內容獲取與跨頁處理，所述PDF文檔通過信息讀取模塊結果輸出為表格矩陣。所述PDF文檔為標準的表格數據，對于手工繪制的線條暫不做處理。所述跨頁處理包括跨頁表格按照每一個單元格的坐標信息和表頭進行合并。所述文件讀取模塊讀取文件中的流數據后，使用流讀取操作獲取文件的流數據信息。所述PDF文檔中的流數據操作符為“q”的表格。

從PDF文件屬性出發，通過研究PDF文件的字符流信息，發現使用PDFBox工具箱可以有效獲取目前所有PDF的字符流信息，并能獲取到關于PDF頁碼和字符信息等信息。