[发明专利]PDF文件中表格信息的提取方法

摘要

本发明公开了一种PDF文件中表格信息的提取方法，其特征在于，包括：读取PDF文件；解析PDF文件的属性；找到并整理页面内所有横线以及竖线的集合；判断当前页面的横竖线集合能否组成完整的表格边框，若能则按照有边框表格处理，反之则按照无边框表格处理；得到表格的行列以及单元格的元信息；判断是否为跨页表格，如果是跨页表格则合并跨页表格；若不是跨页表格则直接存储表格；存储表格的行列信息，以及所在的页和页面内位置等提取得到的信息。本发明实现了PDF表格的更精确识别、更好的还原率以及更完整的表格提取过程。

主权项

1.一种PDF文件中表格信息的提取方法，其特征在于，包括：[S10] 读取PDF文件到内存，读取x‑refs以及所有的页面；[S20] 解析页面内所有对象的属性，其中对象包括文字、线段、曲线以及矩形；[S30] 找到并整理页面内所有横线以及竖线的集合；[S40] 判断当前页面的横竖线集合能否组成完整的表格边框，若能则按照步骤[S50A]处理，反之则按照步骤[S50B]处理；[S50A] 有边框表格处理：[S50A1] 提选出整理得到的原始线段；[S50A2] 合并横纵向距离小于某个小量的临近平行线段；[S50A3] 延长并连接端点之间距离小于某个小量的线段；[S50A4] 对于某些表格单元格横竖线不对齐的状况，如果不对齐的值小于某个小量，则强行将其对齐；否则对不对齐的单元格所在的同行同列的单元格拆分成合并单元格；[S50B] 无边框表格处理：[S50B1] 收集页面内的散落文本框；[S50B2] 确定文本框整体的边界，并将之作为当前表格的外边框；[S50B3] 分别通过三种方案获取表格的内分割线：[S50B3I] 根据文本框字符的对齐状况获得行和列的分割线；[S50B3II] 通过文本框的平均字符大小为单位，逐行逐列扫描得到文本的共同边界作为分割线；[S50B3III] 直接计算的到文本框之间的空白区域，并以此确定表格的内边框；[S50B4] 根据新增的辅助内边框线段重新尝试有边框表格的处理方案；[S60] 得到表格的行列以及单元格的元信息；[S70] 判断是否为跨页表格，如果是跨页表格则合并跨页表格；若不是跨页表格则直接存储表格；[S80] 存储表格的行列信息，以及所在的页和页面内位置等提取得到的信息。