[发明专利]一种PDF表格内容识别方法、系统及存储介质

说明书

本申请公开了一种PDF表格内容识别方法、系统及存储介质，其涉及PDF内容识别技术领域，该方法包括如下步骤：获取包含表格内容的待识别PDF文档；预处理所述待识别PDF文档，得到预处理文档；通过预设的表格识别模型识别出所述预处理文档中包含所述表格内容的表格区域；从所述预处理文档中截取出所述表格区域，并基于所述表格区域生成表格图片；对所述表格图片进行图像识别，得到所述表格图片中的表格特征和文本属性；在预设的可编辑文档中基于所述表格特征生成目标表格；根据所述文本属性在所述目标表格中的各个目标单元格内填入对应的目标文字。本申请具有提取PDF文档中表格内容后可以直接对表格内容进行编辑的效果。

技术领域

本申请涉及PDF内容识别技术领域，尤其是涉及一种PDF表格内容识别方法、系统及存储介质。

背景技术

随着计算机技术的发展，越来越多的文档格式被开发出来并被广泛使用着，比如PDF(Portable Document Format，便携式文档格式)格式的文档。其中，PDF是一种被广泛使用的电子文档格式。现在越来越多的专业资料、电子图书、产品说明和电子邮件等在开始使用PDF格式的文档。

PDF格式的文档是一种不可直接编辑的文档，若想获取并编辑PDF格式文档中表格内的特殊数据时，通常可以通过编写代码遍历PDF文档确定文档中的表格位置，再遍历表格中的各个单元格，以获取单元格属性并爬取单元格内的文本内容，根据单元格属性中的单元格行列数据生成所有文本内容之间的矩阵关系，最后将所有文本内容以矩阵形式输出至新建的可编辑文档中，即可在可编辑文档中编辑表格内容。

针对上述中的相关技术，发明人认为存在有以下缺陷：通过代码遍历爬取PDF文档的表格内容虽然可以准确爬取到表格内的所有数据，但由于表格内容的输出形式是基于单元格属性进行的矩阵输出，若部分单元格中的表格内容较多，则输出的表格内容会比较杂乱，不利于对表格内容进行编辑操作，因此在获取到输出的表格内容后需要重新整理或重新绘制表格才有利于后续的编辑操作。

发明内容

为了改善识别获取到PDF表格内容后可能难以直接对表格内容进行编辑的缺陷，本申请提供一种PDF表格内容识别方法、系统及存储介质。

第一方面，本申请提供一种PDF表格内容识别方法，包括如下步骤：

获取包含表格内容的待识别PDF文档；

预处理所述待识别PDF文档，得到预处理文档；

通过预设的表格识别模型识别出所述预处理文档中包含所述表格内容的表格区域；

从所述预处理文档中截取出所述表格区域，并基于所述表格区域生成表格图片；

对所述表格图片进行图像识别，得到所述表格图片中的表格特征和文本属性；

在预设的可编辑文档中基于所述表格特征生成目标表格；

根据所述文本属性在所述目标表格中的各个目标单元格内填入对应的目标文字。

通过采用上述技术方案，在获取到待识别PDF文档后需要先对待识别PDF文档进行预处理，以得到有利于表格区域识别的预处理文档，再通过预设的表格识别模型识别出预处理文档中的表格区域，截取表格区域并转换为表格图片，通过图像识别技术识别出表格图片中所包含表格的表格特征以及文本属性，从而在预设的可编辑文档中先根据表格特征生成目标表格，再根据文本属性在目标表格中的各个目标单元格内填入对应的目标文字。因此在可编辑文档中输出的待识别PDF文档表格数据包含可编辑的表格边框和表格边框内的可编辑数据，相较于代码爬取并输出的PDF文档表格数据，具有与待识别PDF文档中表格相同的排版和完整的边框，更有利于后续对可编辑文档中输出的表格数据进行直接编辑。

可选的，所述预处理所述待识别PDF文档，得到预处理文档包括如下步骤：

检测所述待识别PDF文档是否存在水印图层；

若存在所述水印图层，则删除所述水印图层，得到去水印文档；

对所述去水印文档进行去均值化处理，得到去均值化文档；