[发明专利]一种PDF文档表格识别的方法

说明书

技术领域

本发明涉及一种PDF文档表格识别方法，属于版式电子文档的版面分析与版面理解范畴。

背景技术

随着国内数字出版行业的迅速发展，如何深度利用出版资源，如何快速进行文档资源深度加工，实现资源碎片化与重组，满足多形态、多渠道、多介质的数字出版需求，是当前数字出版行业需要解决的问题。文档资源碎片化包括篇名、作者、关键词、参考文献等基本元数据标引，也包括段落、图片、表格、公式等正文内容碎片化。版面分析与理解技术是实现文档自动碎片化的关键技术，本文涉及的PDF表格识别方法属于版式文档的版面分析与理解技术。

PDF(Portable Document Format，便携文件格式)是由Adobe公司开发的一种电子文档格式，具有与操作系统平台无关性的特点，已成为电子文档发行和数字化信息传播中广泛使用的理想文档格式。PDF属于版式文档，页面之间相对独立，改变一个页面内容并不影响其他页面布局。版式文档虽善于描述文档布局、精确地展现版面，却没有记录文档的逻辑结构，没有段落、表格、公式等逻辑元素，无法表达一个文档是如何组织的，不能逻辑地存储文档。

在PDF文件中，表格被拆分成表格线和表格内容分别描述。表格线用一个个路径(PATH)操作符绘画成形，但路径不只是表格线，还可能表示公式分式线、矢量图、转曲字符、版面装饰花纹等元素。表格内容则用一串串字符表示，同一个表格的所有字符不能保证集中出现，常与版面其他内容混杂一起。PDF表格的存储方式使表格识别变得复杂。

表格通常由表标题、表主体、表注等元素组成，表主体包含表格线和字符内容。现有的版式文档识别表格的技术和方法(如CN103377177A)侧重表格线特征，忽视了表标题也是一个重要的表格特征。在多个表格并存一页尤其是多个三线表(只含水平线的表格)并存一页的复杂版面中，只用相交的表格线和表主体文字排布特征将影响表格识别的正确率和效率。

发明内容

为解决上述技术问题，本发明根据PDF文档表格的存储特点，目的是提供一种PDF文档表格识别的方法。

本发明的目的通过以下的技术方案来实现：

一种PDF文档表格识别的方法，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。

与现有技术相比，本发明的一个或多个实施例可以具有如下优点：

对不同类型表格的识别难度进行分级，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。按照先易后难顺序进行识别，不仅提高了表格识别的正确率，也提高了识别效率；

基于表标题和线集合的区域生长法，将表标题视为种子作为生长的初始位置，以疑似表格线集合为生长元素，采用多个种子(多个疑似表格)并行生长模式能准确定位表格，解决多表并存一页的复杂版面；

基于表标题和行集合的区域生长法，以表标题为种子，以行集合为生长元素，多个种子同时生长实现了多个无线表格的并行检测；

本方法不仅能自动识别表格主体，还同时检测了表标题、表头、表注等表信息，并将表标题、表头、表注与表格主体匹配关联，保持同步。

附图说明

图1是本发明实施方法流程图；

图2是区域生长法示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合实施例及附图对本发明作进一步详细的描述。

如图1所示，为PDF文档表格识别的方法流程，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；