[发明专利]抽取电子表格文档中结构化信息的方法及装置

权利要求书

1.一种抽取电子表格文档中结构化信息的方法，其特征在于，包括：

通过孤立表格识别算法获取电子表格文档中所有业务表格；

对所述业务表格进行布局分析；

根据布局分析结果从所述业务表格中抽取内容，并做对应的转换处理得到结构化信息；所述通过孤立表格识别算法获取电子表格文档中所有业务表格，包括：

建立与所述电子表格文档的尺寸相同的两个二维bit数组，记为A和B；

遍历所述电子表格文档中的所有单元格，若单元格中有内容，则A中相应位置标记为1，否则标记为0；

遍历所述电子表格文档中的所有单元格，根据单元格的边框线对B进行标记；

若B中的值为1，则A中相同位置的值设为1；

根据更新后的A获取所述电子表格文档中的业务表格坐标。

2.根据权利要求1所述的方法，其特征在于，所述遍历所述电子表格文档中的所有单元格，根据单元格的边框线对B进行标记，包括：

遍历所述电子表格文档中的所有单元格，若单元格的四个边角至少有一个边角存在两条边框线，则B中相应位置标记为1。

3.根据权利要求2所述的方法，其特征在于，所述遍历所述电子表格文档中的所有单元格，若单元格的四个边角至少有一个边角存在两条边框线，则B中相应位置标记为1后，还包括：

步骤S132，再次遍历所述电子表格文档中的所有单元格，若单元格存在边框线，且B上对应值为0，且与所述单元格相邻的上下左右四个单元格在B中的值至少有一个被标记为1，则将所述单元格在B中的位置标记为1；

步骤S133，再次遍历所述电子表格文档中的所有单元格，若单元格在B上对应值为0，且在包含所述单元格的2×2的区域内，其它三个单元格在B上对应值都是1，则在B上标记所述单元格为1，并且计数器加1；

步骤S134，若所述计数器不为0，则所述计数器清零，重新执行步骤S133。

4.根据权利要求2所述的方法，其特征在于，所述根据更新后的A获取所述电子表格文档中的业务表格坐标，包括：

对更新后的A进行缩小操作，得到LA；

根据LA获取所述电子表格文档中的业务表格坐标。

5.根据权利要求4所述的方法，其特征在于，所述对更新后的A进行缩小操作，得到LA，包括：

从A的最左侧开始遍历A中所有的列，若列中存在1的值，则记录列的列坐标X1，终止遍历；

从A的最右侧开始遍历A中所有的列，若列中存在1的值，则记录列的列坐标X2，终止遍历；

从A的最上侧开始遍历A中所有的行，若行中存在1的值，则记录行的行坐标Y1，终止遍历；

从A的最下侧开始遍历A中所有的行，若行中存在1的值，则记录行的行坐标Y2，终止遍历；

提取出A中[X1,X2,Y1,Y2]位置的数据，形成二维bit数组LA，并根据X1、X2、Y1、Y2确定LA和A的坐标映射关系。

6.根据权利要求5所述的方法，其特征在于，所述根据LA获取所述电子表格文档中的业务表格坐标，包括：

若LA中所有值都为1，则所述电子表格文档中只有一个表格，业务表格坐标为[X1,X2,Y1,Y2]；

否则，检测所述电子表格文档中第X1列、第Y1行的单元格是否为空，若单元格不为空，则一直向右检测其余单元格，直到检测到空单元格，记录空单元格的列坐标为X3，

从上向下检测第X1列的单元格是否为空，直到检测到空单元格，记录空单元格的行坐标为第X1列的最大行坐标，继续检测下一列，直到检测完第X3列，

若所有最大行坐标中最大值为Y3，则业务表格坐标为[X1,X3,Y1,Y3]，将LA中与[X1,X3,Y1,Y3]相对应位置的内容设为0，得到新的LA；

根据更新后的LA获取所述电子表格文档中的业务表格坐标，直到提取出所述电子表格文档中所有业务表格。