[發明專利]一種PDF文件的信息抽取方法和裝置

有效

• 申請號: 201910560227.4
• 申請日: 2019-06-26
• 公開（公告）號: CN110334346B
• 公開（公告）日: 2020-09-29
• 發明（設計）人: 鄭宇宇
• 申請（專利權）人: 京東數字科技控股有限公司
• 主分類號: G06F40/258
• 分類號: G06F40/258;G06K9/00
• 代理公司: 中原信達知識產權代理有限責任公司 11219
• 代理人: 李陽;趙迪

1.一種PDF文件的信息抽取方法，其特征在于，包括：

從PDF文件中獲取文本對象的位置信息，將所述位置信息標記在圖像上；其中，所述文本對象包括至少一個鍵名和對應的鍵值；

采用深度學習方法，根據所述圖像的布局特征對所述圖像進行分類，以基于圖像類型確定所述鍵名和對應鍵值在所述PDF文件中的位置范圍；其中，所述圖像類型包括左右布局和上下布局；

按照所述鍵名的級別為所述鍵名之間建立關聯關系，以結合所述鍵名和對應鍵值的位置范圍，輸出不同級別的所述鍵名和對應的鍵值。

2.根據權利要求1所述的方法，其特征在于，所述將所述位置信息標記在圖像上，包括：

根據多個所述文本對象之間橫坐標的異同，以及縱坐標間隔與預設第一閾值的差值，判斷多個所述文本對象是否支持被抽象為歸屬于同一條線段的點；

若多個所述文本對象支持被抽象為歸屬于同一條線段的點，則分別獲取多個所述文本對象的橫坐標的最值和縱坐標的最值，將所述最值對應的線段顯示在至少一幅圖像上。

3.根據權利要求1所述的方法，其特征在于，對于左右布局的圖像類型，所述確定所述鍵名和對應鍵值在所述PDF文件中的位置范圍，包括：

以字符為基本單元，將所述PDF文件的原始信息拆分為至少一個元素，將縱坐標相同、橫坐標差值小于預設第二閾值的元素組合成元素集；

按照所述元素集的橫坐標對所述元素集進行排序，以確定邊界橫坐標和位于所述邊界橫坐標之間的分界橫坐標，

將位于左邊界橫坐標和所述分界橫坐標之間，且行間距大于預設第三閾值的元素集作為所述鍵名，確定所述鍵名在所述PDF文件的坐標區間；

根據相鄰兩個所述鍵名的坐標區間，確定與其中一個所述鍵名對應的鍵值在所述PDF文件的坐標區間。

4.根據權利要求1所述的方法，其特征在于，對于上下布局的圖像類型，所述確定所述鍵名和對應鍵值在所述PDF文件中的位置范圍，包括：

以字符為基本單元，將所述PDF文件的原始信息拆分為至少一個元素，將位于同一行的元素組合成元素集；

將起始橫坐標位于所述PDF文件左側，行間距大于預設第五閾值，和/或以冒號字符結尾的元素集作為所述鍵名，確定所述鍵名在所述PDF文件的坐標區間；

根據相鄰兩個所述鍵名的坐標區間，確定與其中一個所述鍵名對應的鍵值在所述PDF文件的坐標區間。

5.根據權利要求1所述的方法，其特征在于，按照所述鍵名的級別為所述鍵名之間建立關聯關系，包括：

將同級的鍵名并聯，將上下級的鍵名串聯，采用樹形結構為所述鍵名之間建立關聯關系；

所述輸出不同級別的所述鍵名和對應的鍵值，包括：

采用先序遍歷所述樹形結構的方式，順序輸出不同級別的所述鍵名和對應的鍵值。

6.根據權利要求1所述的方法，其特征在于，所述方法還包括：

提取原始PDF文件的設定參考對象的基本信息，以根據所述基本信息確定所述原始PDF文件的非正文區域；

過濾所述原始PDF文件的非正文區域，將過濾結果作為所述PDF文件。

7.根據權利要求6所述的方法，其特征在于，所述參考對象包括下列任意一項或者多項：邊框、線段、圖片和文本，所述基本信息包括下列任意一項或者多項：字體、線段粗細、高度、寬度、橫縱坐標和文本內容；所述非正文區域包括：目錄、表格和注釋；

所述根據所述基本信息確定所述原始PDF文件的非正文區域，包括：

根據所述目錄的特征確定所述目錄的提取維度，按照所述提取維度確定所述目錄的上下邊界；

獲取所述原始PDF文件的最小字體，將首字符的字體等于最小字體，且位于所述原始PDF文件底部的區域作為所述注釋的上下邊界；

確定所述表格的邊界線坐標，以及所述表格的單元格，以得到所述表格的形狀和上下邊界。