[發(fā)明專利]一種PDF的表格信息提取方法及相關(guān)裝置

在審

• 申請?zhí)枺?/td>: 202010922836.2
• 申請日: 2020-09-04
• 公開（公告）號: CN112069991A
• 公開（公告）日: 2020-12-11
• 發(fā)明（設(shè)計）人: 余昊旻;張青龍;陳強;丁明;蔣坡良
• 申請（專利權(quán)）人: 稅友軟件集團股份有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06F40/205;G06K9/46
• 代理公司: 北京集佳知識產(chǎn)權(quán)代理有限公司 11227
• 代理人: 丁曼曼

1.一種PDF的表格信息提取方法，其特征在于，包括：

對PDF文件進行文字解析，得到文字和文字位置信息；

通過圖像識別算法對所述PDF文件對應(yīng)的圖片進行閉合輪廓識別處理，得到矩形輪廓數(shù)組；

根據(jù)所述矩形輪廓數(shù)組和所述文字位置信息對所述文字進行結(jié)構(gòu)化處理，得到表格信息。

2.根據(jù)權(quán)利要求1所述的表格信息提取方法，其特征在于，對PDF文件進行文字解析，得到文字和文字位置信息，包括：

根據(jù)PDF解析庫對所述PDF文件進行文字解析，得到所述文字和所述文字位置信息。

3.根據(jù)權(quán)利要要求1所述的表格信息提取方法，其特征在于，通過圖像識別算法對所述PDF文件對應(yīng)的圖片進行閉合輪廓識別處理，得到矩形輪廓數(shù)組，包括：

將所述PDF文件轉(zhuǎn)換為圖片；

將所述圖片進行二值化處理，得到黑白圖片；

通過閉合輪廓算法對所述黑白圖片進行識別，得到所述矩形區(qū)域；

以數(shù)組將所述矩形區(qū)域轉(zhuǎn)換為所述矩形輪廓數(shù)組。

4.根據(jù)權(quán)利要求1所述的表格信息提取方法，其特征在于，根據(jù)所述矩形輪廓數(shù)組和所述文字位置信息對所述文字進行結(jié)構(gòu)化處理，得到表格信息，包括：

根據(jù)所述文字位置信息在所述矩形輪廓數(shù)組中進行查詢，確定每個文字在所述矩形數(shù)組中的位置；

根據(jù)所述位置將所有文字進行拼接，得到所述表格信息。

5.一種PDF的表格信息提取裝置，其特征在于，包括：

文字解析模塊，用于對PDF文件進行文字解析，得到文字和文字位置信息；

表格輪廓識別模塊，用于通過圖像識別算法對所述PDF文件對應(yīng)的圖片進行閉合輪廓識別處理，得到矩形輪廓數(shù)組；

表格結(jié)構(gòu)化處理模塊，用于根據(jù)所述矩形輪廓數(shù)組和所述文字位置信息對所述文字進行結(jié)構(gòu)化處理，得到表格信息。

6.根據(jù)權(quán)利要求5所述的表格信息提取信息，其特征在于，所述文字解析模塊，具體用于根據(jù)PDF解析庫對所述PDF文件進行文字解析，得到所述文字和所述文字位置信息。

7.根據(jù)權(quán)利要求5所述的表格信息提取信息，其特征在于，所述表格輪廓識別模塊，包括：

PDF轉(zhuǎn)換單元，用于將所述PDF文件轉(zhuǎn)換為圖片；

二值化處理單元，用于將所述圖片進行二值化處理，得到黑白圖片；

閉合輪廓識別單元，用于通過閉合輪廓算法對所述黑白圖片進行識別，得到所述矩形區(qū)域；

數(shù)組轉(zhuǎn)換單元，用于以數(shù)組將所述矩形區(qū)域轉(zhuǎn)換為所述矩形輪廓數(shù)組。

8.根據(jù)權(quán)利要求5所述的表格信息提取信息，其特征在于，所述表格結(jié)構(gòu)化處理模塊，包括：

位置查詢單元，用于根據(jù)所述文字位置信息在所述矩形輪廓數(shù)組中進行查詢，確定每個文字在所述矩形數(shù)組中的位置；

文字拼接單元，用于根據(jù)所述位置將所有文字進行拼接，得到所述表格信息。

9.一種計算裝置，其特征在于，包括：

存儲器，用于存儲計算機程序；

處理器，用于執(zhí)行所述計算機程序時實現(xiàn)如權(quán)利要求1至4任一項所述的表格信息提取方法的步驟。

10.一種計算機可讀存儲介質(zhì)，其特征在于，所述計算機可讀存儲介質(zhì)上存儲有計算機程序，所述計算機程序被處理器執(zhí)行時實現(xiàn)如權(quán)利要求1至4任一項所述的表格信息提取方法的步驟。