[发明专利]用于识别PDF表格的方法、设备和介质

说明书

本公开的实施例涉及用于识别PDF表格的方法、设备和介质。在该方法中，可以针对PDF文件检索目标关键字，以便确定PDF文件中的目标表格区域；获取处于目标表格区域内的多个文本块；基于所述多个文本块的坐标，确定关于目标表格的扫描区域的左上起点和右下终点，以便提取扫描区域内的所有文本块；基于所提取的扫描区域内的所有文本块的坐标，确定对角坐标集合，所述对角坐标集合包括所有文本块中的每一个文本块的对角坐标；扫描对角坐标集合，以便生成扫描结果数组；以及遍历扫描结果数组，以便确定目标表格中的单元格文本信息。由此，本公开能够实现复杂PDF表格的精确识别，并且还可以实现表格提取、分析等处理。

技术领域

本公开的实施例总体涉及数据处理领域，并且更具体地涉及一种用于识别PDF表格的方法、计算设备和计算机可读存储介质。

背景技术

PDF（Portable Document Format，便携文件格式）是一种由Adobe公司开发的一种电子文档格式，其具有与操作系统平台无关性的特点。PDF属于版式文档，页面之间相对独立，从而可以精确描述文档布局并展现文档版面。然而PDF不记录文档的逻辑结构，换言之，PDF文本不包括其中的表格组织的公式关系。因此，需要识别PDF表格的方案。

传统的用于识别PDF表格的方案包括：分别识别PDF表格中的表格线和表格内容；以及通过图像处理的方法提取表格。在第一种方案中，表格线段可能以一个个路径操作符绘画成形，其可能表示为公式分式线、矢量图、转曲字符等元素，而表格内容则包括各类不同的字符表，其常与版面其他内容混杂一起，不易识别。对于第二种方案，则需要图像识别出表格线段，从而确定表格框并提取框内区域，最后对框内区域图像进行OCR识别。

在传统的用于识别PDF表格的方案中，表格识别需基于显著的表格线段。如果表格隐藏了其表格线段或者表格线段以不规范的方式体现时，传统的表格识别方案往往无法准确识别表格。同时，对于包括字符混杂、叠加、偏移等情形的表格内容，对其直接读取准确率不高。

综上，传统的用于识别PDF表格的方案所存在的不足之处在于：必须依赖表格标识线段并且无法准确识别复杂的表格内容。

发明内容

针对上述问题，本公开提供了一种用于识别PDF表格的方法、计算设备和计算机可读存储介质，能够准确识别复杂的表格内容，且无需依赖表格标识线段的识别。

根据本公开的第一方面，提供了一种用于识别PDF表格的方法，包括：针对PDF文件检索目标关键字，以便确定PDF文件中的目标表格区域；获取处于目标表格区域内的多个文本块；基于多个文本块的坐标，确定关于目标表格的扫描区域的左上起点和右下终点，以便提取扫描区域内的所有文本块；基于所提取的扫描区域内的所有文本块的坐标，确定对角坐标集合，对角坐标集合包括所有文本块中的每一个文本块的对角坐标；扫描对角坐标集合，以便生成扫描结果数组；以及遍历扫描结果数组，以便确定目标表格中的单元格文本信息。

根据本公开的第二方面，提供了一种计算设备，包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行本公开的第一方面的方法。

在本公开的第三方面中，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中计算机指令用于使计算机执行本公开的第一方面的方法。

在一些实施例中，将预定义垂直扫描线从对角坐标集合的水平坐标起始处、以预定扫描间隔扫描对角坐标集合，以便将扫描结果保持到列结果数组，列结果数组包括与各扫描位置序号对应的扫描采样位置和单次扫描的总命中数；将预定义水平扫描线从对角坐标集合的竖直坐标起始处、以预定扫描间隔扫描对角坐标集合，以便将扫描结果保持到行结果数组，行结果数组包括与各扫描位置序号对应的扫描采样位置和单次扫描的总命中数。