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

本申請(qǐng)公開(kāi)了一種PDF的表格信息提取方法，包括：對(duì)PDF文件進(jìn)行文字解析，得到文字和文字位置信息；通過(guò)圖像識(shí)別算法對(duì)所述PDF文件對(duì)應(yīng)的圖片進(jìn)行閉合輪廓識(shí)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(duì)所述文字進(jìn)行結(jié)構(gòu)化處理，得到表格信息。通過(guò)圖像識(shí)別方式對(duì)PDF文件對(duì)應(yīng)的圖片識(shí)別出對(duì)應(yīng)的表格輪廓，然后根據(jù)表格輪廓拼接出表格信息，提高了表格信息的提取效率，保證了提取效果。本申請(qǐng)還公開(kāi)了一種PDF的表格信息提取裝置、計(jì)算裝置以及計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，具有以上有益效果。

技術(shù)領(lǐng)域

本申請(qǐng)涉及數(shù)據(jù)處理技術(shù)領(lǐng)域，特別涉及一種PDF的表格信息提取方法、表格信息提取裝置、計(jì)算裝置以及計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)。

背景技術(shù)

隨著信息技術(shù)的不斷發(fā)展，目前出現(xiàn)了各種各樣的文檔文件格式。其中，便攜式文檔格式(PDF，Portable Document Format)，是一種用獨(dú)立于應(yīng)用程序、硬件、操作系統(tǒng)的方式呈現(xiàn)文檔的文件格式。

通過(guò)PDF規(guī)范可以了解到，PDF呈現(xiàn)出的圖像是由矢量圖，位圖，文本和可交互元素組成的。其中的表格也是由矢量圖，位圖和文本組成的。當(dāng)讀取PDF的時(shí)候并不可以像讀取Excel一樣直觀的讀取到幾行幾列。

現(xiàn)有技術(shù)中，PDFBox、Tabula、Itext等技術(shù)方案，都是基于PDF規(guī)范解析的文本數(shù)據(jù)讀取。但是，由于PDF規(guī)范沒(méi)有定義表格，所以無(wú)法直接提取出渲染出的表格內(nèi)容。當(dāng)表格的內(nèi)容比較復(fù)雜難以識(shí)別時(shí)，導(dǎo)致表格內(nèi)容的識(shí)別率降低，無(wú)法提取出表格的內(nèi)容。

因此，如何提高PDF表格信息提取的效率是本領(lǐng)域技術(shù)人員關(guān)注的重點(diǎn)問(wèn)題。

發(fā)明內(nèi)容

本申請(qǐng)的目的是提供一種PDF的表格信息提取方法、表格信息提取裝置、計(jì)算裝置以及計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，通過(guò)圖像識(shí)別方式對(duì)PDF文件對(duì)應(yīng)的圖片識(shí)別出對(duì)應(yīng)的表格輪廓，然后根據(jù)表格輪廓拼接出表格信息，提高了表格信息的提取效率，保證了提取效果。

為解決上述技術(shù)問(wèn)題，本申請(qǐng)?zhí)峁┮环NPDF的表格信息提取方法，包括：

對(duì)PDF文件進(jìn)行文字解析，得到文字和文字位置信息；

通過(guò)圖像識(shí)別算法對(duì)所述PDF文件對(duì)應(yīng)的圖片進(jìn)行閉合輪廓識(shí)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(duì)所述文字進(jìn)行結(jié)構(gòu)化處理，得到表格信息。

可選的，對(duì)PDF文件進(jìn)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(kù)對(duì)所述PDF文件進(jìn)行文字解析，得到所述文字和所述文字位置信息。

可選的，通過(guò)圖像識(shí)別算法對(duì)所述PDF文件對(duì)應(yīng)的圖片進(jìn)行閉合輪廓識(shí)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(jìn)行二值化處理，得到黑白圖片；

通過(guò)閉合輪廓算法對(duì)所述黑白圖片進(jìn)行識(shí)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。

可選的，根據(jù)所述矩形輪廓數(shù)組和所述文字位置信息對(duì)所述文字進(jìn)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(jìn)行查詢，確定每個(gè)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(jìn)行拼接，得到所述表格信息。

本申請(qǐng)還提供一種PDF的表格信息提取裝置，包括：

文字解析模塊，用于對(duì)PDF文件進(jìn)行文字解析，得到文字和文字位置信息；