[发明专利]一种PDF文档表格识别的方法

权利要求书

1.一种PDF文档表格识别的方法，其特征在于，所述方法包括：

获取页面中字符集，并将所述字符集合并成行，建立行集合；

提取页面路径中水平线与垂直线，建立线集合；

检测行集合中的疑似表标题与线集合中的疑似表格线；

若同时存在疑似表标题和疑似表格线，则采用基于表标题和线集合的区域生长法识别表格；

若仅存在疑似表格线，则用线集合和行集合先检测全线表再检测三线表；

若仅存在疑似表标题，则用基于表标题和行集合的区域生长法识别表格；

若既无疑似表格线也无疑似表标题，则判定该页无表格；

检测表头、表注表格附属元素，输出该页表格识别结果。

2.如权利要求1所述的PDF文档表格识别的方法，其特征在于，对不同类型表格的识别难度进行分级，其中，由易到难分别是：含表标题和表格线表格、无表标题全线表、无表标题三线表、含表标题的无线表、无表标题的无线表，所述表格的识别顺序也是先易后难顺序进行识别。

3.如权利要求1所述的PDF文档表格识别的方法，其特征在于，检测行集合中的疑似表标题包括：运用关键字匹配法检测行首，合并属于一个表格的多语种疑似表标题。

4.如权利要求1所述的PDF文档表格识别的方法，其特征在于，运用线集合和行集合检测全线表包括：判断一组对齐水平线和一组对齐垂直线是否有效相交，该有效相交的方法是先运用区域面积相交法，再运用直线相交法。

5.如权利要求1所述的PDF文档表格识别的方法，其特征在于，所述识别方法识别的表信息包括：表格主体、表标题、表头、表注，并将所述表标题、表头、表注和表格主体匹配关联，保持同步。