[发明专利]一种PDF表单数据提取方法、存储介质及装置

说明书

本发明涉及一种PDF表单数据提取方法、存储介质及装置，该方法包括以下步骤：将待提取的PDF表单转换成bitmap信息；根据bitmap信息，确定表单中行列以及各个单元格，并记录相应数据信息；对记录的数据信息进行整合处理；进一步去除bitmap信息中的非文本信息元素；将整合处理后的数据信息进行存储，之后根据需要提取数据信息、并生成相应的文件格式。与现有技术相比，本发明能够有效提高数据提取效率以及数据提取的准确度，且具有操作简易、适用范围广、成本低的优点。

技术领域

本发明涉及文件数据提取技术领域，尤其是涉及一种PDF表单数据提取方法、存储介质及装置。

背景技术

众所周知，将数据从PDF表单中提取出来是一件繁琐且准确率较低的任务，如果直接将PDF表单内容进行复制，那么粘贴后的数据内容往往与原表单内容存在差异，导致需要人工重新检查、修正输入。现有技术中，有方法是通过另存为其他文件格式的方式，以将PDF表单内容保存至新的文件中，具体操作过程为：打开软件工具栏中的文件命令，然后点击下拉菜单中的“另存为”，弹出另存为窗口后，在保存类型中选择txt格式，点击“保存”、进入文档保存目录，最后双击打开txt文件，在txt文本中进行增删改查等操作。这种方式尽管能够实现数据提取，但其提取效率较低，同样存在精度不高的问题。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种PDF表单数据提取方法、存储介质及装置，以提高数据提取效率以及数据提取的准确度。

本发明的目的可以通过以下技术方案来实现：一种PDF表单数据提取方法，包括以下步骤：

S1、将待提取的PDF表单转换成bitmap信息；

S2、根据bitmap信息，确定表单中行列以及各个单元格，并记录相应数据信息；

对记录的数据信息进行整合处理；

S3、进一步去除bitmap信息中的非文本信息元素；

S4、将整合处理后的数据信息进行存储，之后根据需要提取数据信息、并生成相应的文件格式。

进一步地，所述步骤S1具体是通过调用SDK库，以将PDF表单渲染转换成bitmap信息。

进一步地，所述步骤S2具体包括以下步骤：

S21、根据bitmap信息，通过确定PDF坐标系，以确定出表单中行列以及各个单元格；

S22、记录各个单元格对应的数据信息；

S23、将各个单元格对应的数据信息进行整合处理。

进一步地，所述单元格对应的数据信息包括文本格式信息和文本类型信息。

进一步地，所述步骤S22具体是在PDF坐标系中找到其左上角与右下角的数据单元，以确定框架，分别横向和纵向进行递归操作，遍历后采用“树”数据结构存储记录各个单元格对应的数据信息。

进一步地，所述步骤S23的具体过程为：根据记录的文本类型信息，将文本类型相同以及相似度大于设定阈值的数据信息整合至相同的数据行；

将文本类型相似度小于设定阈值的数据信息整合至不同的数据行。

进一步地，所述步骤S3中非文本信息元素包括水印、印章和签名。

进一步地，所述步骤S4具体是将整合处理后的数据信息存储至数据库中。

一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述PDF表单数据提取方法的步骤。