[发明专利]文本表格提取方法、系统、计算机设备及存储介质

说明书

本发明实施例公开了文本表格提取方法、系统、计算机设备及存储介质，方法包括：获取文本页面中的表格结构，并确定所述表格结构中的单元格；获取所述单元格中包含有文本数据的内容块对象，并对所述内容块对象进行划分，获得行对象列表；对所述行对象列表中的行对象进行Y轴排序，并将在Y轴方向上重叠度大于预设阈值的相邻所述行对象进行合并，并将合并后的行对象保存至所述行对象列表内；关联所述内容块对象与合并后的行对象，并获取所述单元格中文本数据并进行提取。本发明实施例通过将表格结构中的内容块对象与行对象进行关联，使每一个单元格与文本数据一一对应，更加精确的获取了表格结构，提高了转换精度。

技术领域

本发明实施例涉及表格提取技术领域，特别涉及文本表格提取方法、系统、计算机设备及存储介质。

背景技术

在一个文本页面中存在各种各样的页面结构，例如：表格结构、图像等。在文本页面转换为其他格式文本时，由于表格结构样式多变，不仅存在具有表格线的表格结构，也有纯文字型的表格结构以及表格线与文字混合的混合型表格结构，因此在进行转换时难以实现对表格结构的精确捕捉，纯文字型表格结构与混合型表格结构难以准确识别并进行转换，使得文本页面不能很好地将表格结构提取并进行转换。

发明内容

本发明实施例提供了文本表格提取方法、系统、计算机设备及存储介质，旨在解决现有技术中提取表格结构不够精确，格式转换过程不够准确的问题。

第一方面，本发明实施例提供了一种文本表格提取方法，其包括：

获取文本页面中的表格结构，并确定所述表格结构中的单元格；

获取所述单元格中包含有文本数据的内容块对象，并对所述内容块对象进行划分，获得行对象列表；

对所述行对象列表中的行对象进行Y轴排序，并将在Y轴方向上重叠度大于预设阈值的相邻所述行对象进行合并，并将合并后的行对象保存至所述行对象列表内；

关联所述内容块对象与合并后的行对象，并获取所述单元格中文本数据并进行提取。

第二方面，本发明实施例提供了一种文本表格提取系统，其包括：

表格结构获取单元，用于获取文本页面中的表格结构，并确定所述表格结构中的单元格；

内容块对象划分单元，用于获取所述单元格中包含有文本数据的内容块对象，并对所述内容块对象进行划分，获得行对象列表；

行对象合并单元，用于对所述行对象列表中的行对象进行Y轴排序，并将在Y轴方向上重叠度大于预设阈值的相邻所述行对象进行合并，并将合并后的行对象保存至所述行对象列表内；

对象关联单元，用于关联所述内容块对象与合并后的行对象，并获取所述单元格中文本数据并进行提取。

第三方面，本发明实施例又提供一种计算机设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上所述的文本表格提取方法。

第四方面，本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上所述的文本表格提取方法。

本发明实施例提供了文本表格提取方法、系统、计算机设备及存储介质，其中，方法包括：获取文本页面中的表格结构，并确定所述表格结构中的单元格；获取所述单元格中包含有文本数据的内容块对象，并对所述内容块对象进行划分，获得行对象列表；对所述行对象列表中的行对象进行Y轴排序，并将在Y轴方向上重叠度大于预设阈值的相邻所述行对象进行合并，并将合并后的行对象保存至所述行对象列表内；关联所述内容块对象与合并后的行对象，并获取所述单元格中文本数据并进行提取。本发明实施例通过将表格结构中的内容块对象与行对象进行关联，使每一个单元格与文本数据一一对应，更加精确的获取了表格结构，提高了转换精度。

附图说明