[发明专利]一种基于图像信息的PDF有边框表格抽取方法

权利要求书

1.一种基于图像信息的PDF有边框表格抽取方法，其特征在于，该方法包括如下步骤：

步骤1：读取PDF文件信息，从读取到的信息中抽取出横线信息、竖线信息和颜色信息，并根据抽取出的信息绘制图片；

步骤2：滤掉步骤1绘制图片中的多余线条，并且补全表格；

步骤3：读取PDF文件信息，得到PDF文件中每个字符及每个字符所在位置信息，

扫描步骤2中得到的表格中各个单元格的位置信息，根据位置信息将PDF文件中的字符填写到表格的单元格中；

所述步骤2包括如下子步骤：

子步骤1：在图片的上方中部根据读取的信息选择一条或多条竖线，沿着该竖线继续向下读取/识别每一个像素点，直至该竖线截止，判断该竖线是否为构成表格的竖线；

子步骤2：找出所有与子步骤1中构成表格的竖线相交的横线，沿着该横线向左右两侧读取/识别每一个像素点，直至该横线截止，判断该横线是否为构成表格的横线；

子步骤3：找出所有与子步骤2中构成表格的横线相交的竖线，沿着该竖线向上下两侧读取/识别每一个像素点，直至该竖线截止，判断该竖线是否为构成表格的竖线；

子步骤4：删除图片中除构成表格的竖线和构成表格的横线以外的信息。

2.根据权利要求1所述的基于图像信息的PDF有边框表格抽取方法，其特征在于，

判断横线或者竖线截止的条件为：沿着该线的延伸方向，连续1～3个像素点长度区域中的像素点无颜色。

3.根据权利要求2所述的基于图像信息的PDF有边框表格抽取方法，其特征在于，

沿着该线的延伸方向，连续3个像素点长度区域中的像素点无颜色。

4.根据权利要求1所述的基于图像信息的PDF有边框表格抽取方法，其特征在于，

所述竖线的长度超过预设值时判断其为构成表格的竖线；

所述横线的长度超过预设值时判断其为构成表格的横线。

5.根据权利要求4所述的基于图像信息的PDF有边框表格抽取方法，其特征在于，

所述预设值为40～100个像素点。

6.根据权利要求4所述的基于图像信息的PDF有边框表格抽取方法，其特征在于，

所述预设值为52个像素点。

7.根据权利要求4所述的基于图像信息的PDF有边框表格抽取方法，其特征在于，

若所述构成表格的竖线与任何一条构成表格的横线都无交点，则删除该构成表格的竖线；

若所述构成表格的横线与任何一条构成表格的竖线都无交点，则删除该构成表格的横线。

8.根据权利要求1所述的基于图像信息的PDF有边框表格抽取方法，其特征在于，

所述步骤2还包括下述子步骤：

子步骤5：在子步骤4得到的表格边缘添加边界线，所述边界线包括位于最左侧和最右侧的竖线，还包括位于最上侧和最下侧的横线。

9.根据权利要求8所述的基于图像信息的PDF有边框表格抽取方法，其特征在于，

添加的边界线如果与现有的线重叠，比较重叠的两条线的长度，并删除较短的线。

10.根据权利要求1所述的基于图像信息的PDF有边框表格抽取方法，其特征在于，

在执行在步骤2以前，首先找出图片中的背景颜色，

在读取/识别每一个像素点时，将所述背景颜色认定为无颜色。

11.根据权利要求10所述的基于图像信息的PDF有边框表格抽取方法，其特征在于，

将所述背景颜色的边缘认定为构成表格的竖线和构成表格的横线。