[发明专利]面向PDF表格的自动识别系统和方法

说明书

本发明提供一种面向PDF表格的自动识别系统和方法，扫描PDF格式的报表，识别出PDF文件中的表格内容、文字内容；完整保留原始表格样式，根据业务需求解析表格内容，对原始表格样式进行调整，得到调整后表格样式；自动识别表格内容中的文本和表头，以结构化形式输出，对得到的结构化入库数据进行筛选，根据业务需求过滤无效信息，校验表头各个科目数据的业务平衡性，得到校验合格数据并录入数据库；根据原始表格样式或者调整后表格样式对校验合格数据进行展示，并提供表格下载，得到excel格式的表格。实现PDF公告文件中表格的自动识别，结合实际金融业务处理的需求对表格进行个性化调整，解决现阶段数据快速增长报表处理速度问题。

技术领域

本发明涉及数字媒体加工技术领域，具体地，涉及面向PDF表格的自动识别系统和方法。

本发明涉及加工技术领域，更具体的说，涉及解析PDF文件方法及系统。

背景技术

互联网的飞速发展催生了大数据时代的来临，数据信息庞大且繁杂,其中金融行业一直是大数据的重要产生者和消费者。随着上市公司、发债机构的大量增加，导致每天需要处理的信息呈爆发式增长，原有的手工+程序处理方式，已经远远无法达到现阶段的要求，其中就有财务PDF公告的信息处理。

Solid Converter是一套专门将PDF文件转换成DOC的软件，除了转换成DOC文件外，还可以转换成RTF以及Word XML文件。除此之外，Solid Converter还有一个图片撷取功能，可以让我们将PDF档里的图片撷取出来，以及将PDF档里的表格撷取出来，并输出到Excel里，方便我们编辑表格里的资料。

但对于比较复杂的企业财务信息，不仅要把表格撷取出来，还要满足金融行业实际的业务需求对表格进行分析，并且能够快速、准确识别处理文件中的表格、文字、图片等内容，满足不断快速增长的数据处理需求。因此需要提供一种能够自动识别PDF表格，且实现金融业务处理，解决现阶段数据快速增长系统处理速度的问题。

发明内容

针对现有技术中的缺陷，本发明的目的是提供一种面向PDF表格的自动识别系统和方法。

根据本发明提供的一种面向PDF表格的自动识别系统，包括：

识别表格模块：扫描PDF格式的报表，识别出PDF文件中的表格内容、文字内容；

抽取表格模块：完整保留原始表格样式，根据业务需求解析表格内容，对原始表格样式进行调整，得到调整后表格样式；

识别文字模块：自动识别表格内容中的文本和表头，将文本和表头以结构化形式输出，得到结构化入库数据；

筛选校验模块：对结构化入库数据进行筛选，根据业务需求过滤无效信息，校验表头各个科目数据的业务平衡性，得到校验合格数据并录入数据库；

表格展示模块：根据原始表格样式或者调整后表格样式对校验合格数据进行展示，并提供表格下载，得到excel格式的表格。

优选地，所述扫描PDF格式的报表是通过二进制读取的方式进行，根据读取得到的一个或多个内容流，进行创建虚拟内容流，并对虚拟内容流创建内容索引号，每个内容流通过关键字参数顶到到所需的内容索引号。

优选地，所述调整后表格样式是通过对原始表格样式的合并与补全，采用全局阈值和动态阈值相结合实现图像区域和背景区域的分割。

优选地，所述识别表格内容基于深度学习，深度学习通过财务报表数据库进行。

优选地，所述无效信息是根据财务报表的业务需求判定得出的重复数据或者不必要数据。

根据本发明提供的一种面向PDF表格的自动识别方法，包括：

识别表格步骤：扫描PDF格式的报表，识别出PDF文件中的表格内容、文字内容；