[發(fā)明專利]一種PDF業(yè)務(wù)文檔的信息抽取方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202211562314.1
• 申請(qǐng)日: 2022-12-07
• 公開（公告）號(hào): CN116311259A
• 公開（公告）日: 2023-06-23
• 發(fā)明（設(shè)計(jì)）人: 李佳靜;董澤信;戴媛媛;賈網(wǎng);李小龍;李盛;孟濤
• 申請(qǐng)（專利權(quán)）人: 中國礦業(yè)大學(xué)（北京）
• 主分類號(hào): G06V30/14
• 分類號(hào): G06V30/14;G06V30/146
• 代理公司: 南京經(jīng)緯專利商標(biāo)代理有限公司 32200
• 代理人: 朱楨榮

1.一種PDF業(yè)務(wù)文檔的信息抽取方法，其特征在于，包括以下步驟：

步驟1、對(duì)PDF業(yè)務(wù)文檔的每個(gè)頁面進(jìn)行解析，得到當(dāng)前頁面中字符對(duì)象、線對(duì)象和矩形對(duì)象；

根據(jù)矩形對(duì)象的坐標(biāo)信息，從矩形對(duì)象中篩選出長(zhǎng)度大于兩個(gè)像素且寬度小于一個(gè)像素的矩形對(duì)象，將其認(rèn)定為線對(duì)象；

字符對(duì)象存儲(chǔ)在字符列表，線對(duì)象存儲(chǔ)在線列表；

對(duì)線列表進(jìn)行預(yù)處理和篩選操作得到表格線列表；

步驟2?、根據(jù)字符列表中字符對(duì)象、表格線列表中線對(duì)象，若能夠?yàn)橐粋€(gè)字符對(duì)象生成最小單元格，則判定該字符對(duì)象為表格字符，否則判定該字符對(duì)象為非表格字符；最小單元格是指每個(gè)字符對(duì)象周圍最近的四條線對(duì)象圍成的矩形；

步驟3、對(duì)所有的非表格字符以坐標(biāo)信息進(jìn)行拼接、分段，完成非表格區(qū)域的文本抽取，并得到每個(gè)非表格字符段的中心點(diǎn)的坐標(biāo)；

步驟4、根據(jù)非表格字符段的中心點(diǎn)的坐標(biāo)，對(duì)所有最小單元格所屬的表格區(qū)域進(jìn)行劃分，得到表格區(qū)域列表；

步驟5、對(duì)每個(gè)表格區(qū)域列表，首先對(duì)各表格區(qū)域列表中最小單元格內(nèi)的字符對(duì)象進(jìn)行拼接，然后對(duì)各表格區(qū)域列表的最小單元格進(jìn)行拼接，對(duì)表格區(qū)域列表完成結(jié)構(gòu)和區(qū)域文本的抽取。

2.根據(jù)權(quán)利要求1所述的一種PDF業(yè)務(wù)文檔的信息抽取方法，其特征在于，步驟1中對(duì)線列表進(jìn)行預(yù)處理和篩選操作，具體過程如下：

步驟101、根據(jù)線列表中的線對(duì)象的坐標(biāo)信息，在所有線對(duì)象中識(shí)別出水平線對(duì)象和垂直線對(duì)象；根據(jù)PDF業(yè)務(wù)文檔中表格在垂直方向上左右對(duì)齊的特性，從線對(duì)象的坐標(biāo)信息中得到當(dāng)前PDF頁面中水平方向上表格的最左點(diǎn)和最右點(diǎn)；

步驟102、針對(duì)PDF業(yè)務(wù)文檔中存在的文本框線，該文本框線不是表格線，對(duì)文本框線進(jìn)行過濾；過濾的方法為：如果一條水平線對(duì)象的橫坐標(biāo)長(zhǎng)度和當(dāng)前PDF頁面中水平方向上表格的最右點(diǎn)與最左點(diǎn)的間隔相等，則認(rèn)定該條水平線對(duì)象為一條水平文本框線，將它從線列表刪除；再利用識(shí)別出的水平文本框線的坐標(biāo)判定垂直文本框邊線，并將垂直文本框邊線從線列表中刪除；此時(shí)的線列表即為表格線列表。

3.根據(jù)權(quán)利要求2所述的一種PDF業(yè)務(wù)文檔的信息抽取方法，其特征在于，利用識(shí)別出的水平文本框線的坐標(biāo)判定垂直文本框邊線的方法為：如果一條垂直線對(duì)象的縱坐標(biāo)與水平文本框線的縱坐標(biāo)相等，則認(rèn)定該條垂直線對(duì)象為垂直文本框線。

4.根據(jù)權(quán)利要求2所述的一種PDF業(yè)務(wù)文檔的信息抽取方法，其特征在于，步驟2具體如下：

步驟201、遍歷字符列表，以每一個(gè)字符對(duì)象的坐標(biāo)為基準(zhǔn)，與表格線列表中的每一個(gè)線對(duì)象的坐標(biāo)作比較，分別找到距離該字符對(duì)象上下左右四個(gè)方向上最近的四條線對(duì)象，并生成最小單元格；針對(duì)缺邊表格，將缺邊表格的最左點(diǎn)和最右點(diǎn)作為表格缺失的線對(duì)象的坐標(biāo)，使字符對(duì)象成功生成最小單元格；

步驟202、將成功生成的最小單元格存儲(chǔ)在以最小單元格坐標(biāo)為鍵、字符對(duì)象為值的最小單元格字典中；如果最小單元格已經(jīng)被生成過，則只將字符對(duì)象追加到該最小單元格的值內(nèi)；

步驟203、如果字符對(duì)象找不到上下左右的四條線對(duì)象，即無法生成最小單元格，則認(rèn)定該字符對(duì)象為非表格字符。

5.根據(jù)權(quán)利要求4所述的一種PDF業(yè)務(wù)文檔的信息抽取方法，其特征在于，步驟3中，所述每個(gè)非表格字符段的中心點(diǎn)坐標(biāo)的計(jì)算過程如下：

步驟301、根據(jù)非表格字符的坐標(biāo)信息生成文本行列表，文本行列表的每個(gè)元素存儲(chǔ)著非表格區(qū)域一行文本的所有非表格字符；

步驟302、根據(jù)文本行列表中的每行文本的最前的兩個(gè)非表格字符的坐標(biāo)信息計(jì)算出每行文本的行中心點(diǎn)（x，y），其中，x為行中心點(diǎn)的橫坐標(biāo)值，y為行中心點(diǎn)的縱坐標(biāo)值；

步驟303、如果存在兩行文本的行中心點(diǎn)的y之差在預(yù)設(shè)的閾值范圍內(nèi)，則認(rèn)定這兩行文本為同段落文本，否則這兩行文本為兩個(gè)不同的段落；

步驟304、對(duì)每段文本的所有行中心點(diǎn)求平均值作為每個(gè)非表格字符段的中心點(diǎn)的坐標(biāo)。