CN115618834A - 一种表格提取方法、装置、设备及存储介质 - Google Patents
一种表格提取方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN115618834A CN115618834A CN202211310019.7A CN202211310019A CN115618834A CN 115618834 A CN115618834 A CN 115618834A CN 202211310019 A CN202211310019 A CN 202211310019A CN 115618834 A CN115618834 A CN 115618834A
- Authority
- CN
- China
- Prior art keywords
- target
- element set
- character
- page
- line segment
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000605 extraction Methods 0.000 title claims abstract description 34
- 238000000034 method Methods 0.000 claims abstract description 30
- 238000004590 computer program Methods 0.000 claims description 16
- 238000004458 analytical method Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000003993 interaction Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/10—Text processing
- G06F40/166—Editing, e.g. inserting or deleting
- G06F40/177—Editing, e.g. inserting or deleting of tables; using ruled lines
- G06F40/18—Editing, e.g. inserting or deleting of tables; using ruled lines of spreadsheets
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/205—Parsing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Document Processing Apparatus (AREA)
Abstract
本发明公开了一种表格提取方法、装置、设备及存储介质。该方法包括:获取目标PDF文件;对所述目标PDF文件进行解析,得到所述目标PDF文件的每个页面中的表格、目标框元素集合以及字符元素集合;根据目标框元素集合和字符元素集合对相邻页面中的相邻表格进行拼接,得到目标表格,通过本发明的技术方案,能够在相邻页面中的后一页面中的表格不具备表头的情况下,对前一页面中的表格和后一页面中的表格进行拼接,提取PDF文件中的表格。
Description
技术领域
本发明实施例涉及计算机技术领域,尤其涉及一种表格提取方法、装置、设备及存储介质。
背景技术
可移植文档格式(Portable Document Format,PDF)文件由于其跨平台特性,己广泛运用于当前主流的操作***中,越来越多的电子书籍、产品使用说明书、公司公告财报、网络资料、科学文献、电子邮件等都开始使用PDF文件形式,并己经成为电子文档发行和数字化信息传播的理想文档形式。
由于PDF文件自身的格式并未对表格进行结构化,因此表格线条的检测以及表格的还原都有不小的挑战。目前,可采用配置关键字方式确认表头位置,根据表头位置提取PDF文件中的表格,也可以采用表头识别模型,提取PDF文件中的表格。
基于上述方式进行PDF文件中的表格提取均需要保证相邻页面中的相邻表格均具备表头,才能够对表格进行提取,若不满足上述情况,则无法提取PDF文件中的表格。
发明内容
本发明实施例提供一种表格提取方法、装置、设备及存储介质,能够在相邻页面中的后一页面中的表格不具备表头的情况下,提取PDF文件中的表格。
根据本发明的一方面,提供了一种表格提取方法,包括:
获取目标PDF文件;
对所述目标PDF文件进行解析,得到所述目标PDF文件的每个页面中的表格、目标框元素集合以及字符元素集合;
根据目标框元素集合和字符元素集合对相邻页面中的相邻表格进行拼接,得到目标表格。
根据本发明的另一方面,提供了一种表格提取装置,该表格提取装置包括:
文件获取模块,用于获取目标PDF文件;
解析模块,用于对所述目标PDF文件进行解析,得到所述目标PDF文件的每个页面中的表格、目标框元素集合以及字符元素集合;
拼接模块,用于根据目标框元素集合和字符元素集合对相邻页面中的相邻表格进行拼接,得到目标表格。
根据本发明的另一方面,提供了一种电子设备,所述电子设备包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行本发明任一实施例所述的表格提取方法。
根据本发明的另一方面,提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使处理器执行时实现本发明任一实施例所述的表格提取方法。
本发明实施例通过获取目标PDF文件;对所述目标PDF文件进行解析,得到所述目标PDF文件的每个页面中的表格、目标框元素集合以及字符元素集合;根据目标框元素集合和字符元素集合对相邻页面中的相邻表格进行拼接,得到目标表格,能够在相邻页面中的后一页面中的表格不具备表头的情况下,提取PDF文件中的表格。
应当理解,本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征,也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1是本发明实施例中的一种表格提取方法的流程图;
图2是本发明实施例中的页面A中的表格的外框线完整,页面B中的表格的外框线不完整的示意图;
图3是本发明实施例中的页面A中的表格的外框线完整,页面B中的表格的外框线完整的示意图;
图4是本发明实施例中的页面A中的表格的外框线不完整,页面B中的表格的外框线完整的示意图;
图5是本发明实施例中的页面A中的表格缺少底部线段,页面B中的表格缺少顶部线段的示意图;
图6是本发明实施例中的一种表格提取装置的结构示意图;
图7是本发明实施例中的一种电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例一
图1为本发明实施例提供的一种表格提取方法的流程图,本实施例可适用于表格提取的情况,该方法可以由本发明实施例中的表格提取装置来执行,该装置可采用软件和/或硬件的方式实现,如图1所示,该方法具体包括如下步骤:
S110,获取目标PDF文件。
具体的,获取目标PDF文件的方式可以为:获取用户输入的目标PDF文件。
S120,对所述目标PDF文件进行解析,得到所述目标PDF文件的每个页面中的表格、目标框元素集合以及字符元素集合。
具体的,对所述目标PDF文件进行解析,得到所述目标PDF文件的每个页面中的表格、目标框元素集合以及字符元素集合的方式可以为:对所述目标PDF文件进行解析,得到所述目标PDF文件的每个页面中的第一线段元素集合、字符元素集合以及第一框元素集合;对所述页面中的第一框元素集合中的框元素进行拆分,得到第二线段元素集合;根据所述第一线段元素集合和所述第二线段元素集合确定目标框元素集合;根据所述目标框元素集合和所述字符元素集合生成所述目标PDF文件的每个页面中的表格。
S130,根据目标框元素集合和字符元素集合对相邻页面中的相邻表格进行拼接,得到目标表格。
具体的,根据目标框元素集合和字符元素集合对相邻页面中的相邻表格进行拼接,得到目标表格的方式可以为:若根据字符元素集合确定相邻页面中的后一页面中的表格中的字符元素均非表头信息对应的字符元素,且根据所述目标框元素集合确定相邻表格中至少一个表格的外框线完整,则拼接所述相邻表格,得到目标表格。根据目标框元素集合和字符元素集合对相邻页面中的相邻表格进行拼接,得到目标表格的方式还可以为:若根据字符元素集合确定相邻页面中的后一页面中的表格中的字符元素均非表头信息对应的字符元素,且根据所述目标框元素集合确定相邻表格的列数相同,前一页面中的表格缺少底部线段,后一页面中的表格缺少顶部线段,则根据前一页面中的表格的最后一行的各单元格中的字符元素、后一页面中的表格的第一行的各单元格中的字符元素、前一页面中的表格的最后一行的各单元格宽度、后一页面中的表格的第一行的各单元格宽度以及各单元格的长度生成目标单元格;将所述前一页面中的表格的最后一行的单元格以及单元格中的字符元素删除,得到第一待拼接表格;将所述后一页面中的表格的第一行的单元格以及单元格中的字符元素删除,得到第二待拼接表格;将所述第一待拼接表格、所述目标单元格以及所述第二待拼接表格进行拼接,得到目标表格。
可选的,根据目标框元素集合和字符元素集合对相邻页面中的相邻表格进行拼接,得到目标表格,包括:
若根据字符元素集合确定相邻页面中的后一页面中的表格中的字符元素均非表头信息对应的字符元素,且根据所述目标框元素集合确定相邻表格中至少一个表格的外框线完整,则拼接所述相邻表格,得到目标表格。
需要说明的是,预先根据每个页面中的表格的顶点坐标确定相邻页面中是否存在相邻表格。若存在相邻表格,则获取后一页面中的表格中的字符元素,将后一页面中的表格中的字符元素与用户输入的表头信息进行匹配,得到匹配结果。例如可以是,匹配结果可以为:后一页面中的表格中的字符元素均非表头信息对应的字符元素。
具体的,根据目标框元素集合确定相邻表格的外框线是否完整的方式可以为:获取构成相邻表格中每个表格的交点集合和子线段集合,根据交点集合和子线段集合判断是否存在任意两个交点之间无线段,若存在,则判断所述任意两个交点是否为表格的***交点,若为表格的***交点,则确定表格的外框线不完整。根据目标框元素集合确定相邻表格的外框线是否完整的方式还可以为:获取相邻表格中每个表格的外框线,若构成表格的所有交点之间均存在线段,则确定表格的外框线完整。若构成表格的所有交点中任意两个交点之间不存在线段,则确定表格的外框线不完整。
具体的,相邻表格中至少一个表格的外框线完整,如图2所示,页面A中的表格外框线完整,页面B中的表格外框线不完整,如图3所示,页面A中的表格外框线完整,页面B中的表格外框线完整,如图4所示,页面A中的表格外框线不完整,页面B中的表格外框线完整。外框线不完整还可以有其他情况,本发明实施例对此不进行限制。
在一个具体的例子中,若页面A和页面B为相邻页面,页面A为前一页面,页面B为后一页面,若页面A和页面B中的表格为相邻表格,页面B中的表格无表头,页面A中的表格和/或页面B中的表格的外框线完整,则直接把各表按行顺序拼接,页面A中的表格在上,页面B中的表格跟随上页面A中的表格最后一行拼接。
可选的,根据目标框元素集合和字符元素集合对相邻页面中的相邻表格进行拼接,得到目标表格,包括:
若根据字符元素集合确定相邻页面中的后一页面中的表格中的字符元素均非表头信息对应的字符元素,且根据所述目标框元素集合确定相邻表格的列数相同,前一页面中的表格缺少底部线段,后一页面中的表格缺少顶部线段,则根据前一页面中的表格的最后一行的各单元格中的字符元素、后一页面中的表格的第一行的各单元格中的字符元素、前一页面中的表格的最后一行的各单元格宽度、后一页面中的表格的第一行的各单元格宽度以及各单元格的长度生成目标单元格;
将所述前一页面中的表格的最后一行的单元格以及单元格中的字符元素删除,得到第一待拼接表格;
将所述后一页面中的表格的第一行的单元格以及单元格中的字符元素删除,得到第二待拼接表格;
将所述第一待拼接表格、所述目标单元格以及所述第二待拼接表格进行拼接,得到目标表格。
其中,各单元格的长度可以为后一页面中的表格的第一行各单元格的长度和/或前一页面中的表格的最后一行各单元格的长度。
具体的,前一页面中的表格是否缺少底部线段的判断方式可以为:获取前一页面中的表格的最后一行的各单元格的端点坐标,根据最后一行的各单元格的端点坐标和子线段集合判断最后一行的各单元格是否存在底部线段,若最后一行的各单元格不存在底部线段,则确定前一页面中的表格缺少底部线段。前一页面中的表格是否缺少底部线段的判断方式还可以为:获取前一页面中的表格的最后一行的交点坐标,根据最后一行的交点坐标和子线段集合判断表格是否缺少底部线段。后一页面中的表格是否缺少底部线段的判断方式和前一页面中的表格是否缺少顶部线段的判断方式相近,在此不进行赘述。
具体的,判断相邻表格的列数是否相同的方式可以为:根据相邻表格的每行的交点个数确定相邻表格的列数是否相同,例如可以是,若相邻表格的每行交点的个数相同,则确定相邻表格的列数相同。
在一个具体的例子中,如图5所示,页面A中的表格缺少底部线段,页面B中的表格缺少顶部线段。页面A中的表格和页面B中的表格的列数相同,页面B中的表格无表头,则合并存在于页面A中的表格的最后一行和页面B中的表格的第一行后再把页面A中的表格和页面B中的表格连接:对于页面A中的表格最后一行和页面B中的表格第一行的不完整行,按列顺序和页面顺序,将被分割为在两页的行进行上下拼接,拼接后文字保持原有的上下顺序,单元格边框的垂直方向宽度等于上下两行的宽度之和,水平方向长度保持原来的长度。不完整行合并后,再把各表按行顺序拼接,页面A中的表格在上并去除最后一行不完整行,用两不完整行拼接出来的新行在中间,页面B中的表格在下并去除第一行不完整行。
可选的,对所述目标PDF文件进行解析,得到所述目标PDF文件的每个页面中的表格、目标框元素集合以及字符元素集合,包括:
对所述目标PDF文件进行解析,得到所述目标PDF文件的每个页面中的第一线段元素集合、字符元素集合以及第一框元素集合;
对所述页面中的第一框元素集合中的框元素进行拆分,得到第二线段元素集合;
根据所述第一线段元素集合和所述第二线段元素集合确定目标框元素集合;
根据所述目标框元素集合和所述字符元素集合生成所述目标PDF文件的每个页面中的表格。
具体的,对所述目标PDF文件进行解析,得到所述目标PDF文件的每个页面中的第一线段元素集合、字符元素集合以及第一框元素集合的方式可以为:使用python编程,使用pdfminer包实现,对目标PDF文件的元素提取结果进行归类与封装。提取出目标PDF文件中的:第一线段元素集合,字符元素集合,图片元素集合,第一框元素集合等。
具体的,对所述页面中的第一框元素集合中的框元素进行拆分,得到第二线段元素集合的方式可以为:根据页面中的第一框元素集合中每个框元素的顶点坐标对框元素进行拆分,得到第二线段元素集合。
具体的,根据所述第一线段元素集合和所述第二线段元素集合确定目标框元素集合的方式可以为:根据所述第一线段元素集合和所述第二线段元素集合确定目标线段元素集合;根据所述目标线段元素集合中的线段元素之间的交点对所述目标线段元素集合中的线段进行切割,得到子线段元素集合;根据所述子线段元素集合中每个子线段元素端点的坐标生成目标框元素集合。
具体的,根据所述目标框元素集合和所述字符元素集合生成所述目标PDF文件的每个页面中的表格的方式可以为:根据所述目标框元素集合中每个框元素的顶点坐标和所述字符元素集合中每个字符元素的坐标确定每个框元素中的字符元素;根据每个字符元素的坐标对每个框元素中的字符元素进行排序;根据用户输入的表头信息确定表头信息对应的字符元素;根据所述目标框元素集合、所述每个框元素中排序后的字符元素以及表头信息对应的字符元素生成每个页面中的表格。
可选的,根据所述第一线段元素集合和所述第二线段元素集合确定目标框元素集合,包括:
根据所述第一线段元素集合和所述第二线段元素集合确定目标线段元素集合;
根据所述目标线段元素集合中的线段元素之间的交点对所述目标线段元素集合中的线段进行切割,得到子线段元素集合;
根据所述子线段元素集合中每个子线段元素端点的坐标生成目标框元素集合。
具体的,根据所述第一线段元素集合和所述第二线段元素集合确定目标线段元素集合的方式可以为:取第一线段元素集合和所述第二线段元素集合的并集,得到目标线段元素集合。
具体的,根据所述子线段元素集合中每个子线段元素端点的坐标生成目标框元素集合的方式可以为:对子线段元素集合中的子线段元素进行遍历,根据端点坐标上重合的关系构造出表格的目标框元素集合。
可选的,根据所述目标框元素集合和所述字符元素集合生成所述目标PDF文件的每个页面中的表格,包括:
根据所述目标框元素集合中每个框元素的顶点坐标和所述字符元素集合中每个字符元素的坐标确定每个框元素中的字符元素;
根据每个字符元素的坐标对每个框元素中的字符元素进行排序;
根据用户输入的表头信息确定表头信息对应的字符元素;
根据所述目标框元素集合、所述每个框元素中排序后的字符元素以及表头信息对应的字符元素生成每个页面中的表格。
具体的,根据所述目标框元素集合中每个框元素的顶点坐标和所述字符元素集合中每个字符元素的坐标确定每个框元素中的字符元素的方式可以为:遍历字符元素集合,根据目标框元素集合中每个框元素的顶点坐标,计算出字符元素集合中的字符元素分别落在目标框元素集合中的哪个框元素中。
具体的,根据用户输入的表头信息确定表头信息对应的字符元素的方式可以为:将字符元素集合中的字符元素与用户输入的表头信息相匹配,若字符元素集合中存在和表头信息相同的字符元素,则获取表头信息对应的字符元素。
具体的,根据每个字符元素的坐标对每个框元素中的字符元素进行排序的方式可以为:若字符元素的纵坐标相同,则确定字符元素处于同一行,横坐标大的字符元素处于横坐标小的字符元素的右侧,若字符元素的横坐标相同,则确定字符元素处于同一列,纵坐标大的字符元素处于纵坐标小的字符元素的上方。
具体的,根据所述目标框元素集合、所述每个框元素中排序后的字符元素以及表头信息对应的字符元素生成每个页面中的表格的方式可以为:根据目标框元素集合构建表的架构,将表头信息对应的字符元素和每个框元素中的字符元素填充至架构中,得到目标表。
可选的,将所述第一待拼接表格、所述目标单元格以及所述第二待拼接表格进行拼接,得到目标表格,包括:
按照第一待拼接表格在上,目标单元格在下的拼接规则对第一待拼接表格和所述目标单元格进行拼接,得到第一表格;
按照第一表格在上,第二待拼接表格在下的拼接规则对第一表格和第二待拼接表格进行拼接,得到目标表格。
在一个具体的例子中,本发明实施例包括如下流程:
获取目标PDF文件和所述目标PDF文件中的表的表头信息;对所述目标PDF文件进行解析,得到每个页面中的线段元素集合、字符元素集合以及第一框元素集合;对所述页面中的第一框元素集合中的框元素进行拆分,得到线段元素;根据线段元素之间的交点对线段元素进行切割,得到子线段元素集合;根据所述子线段元素集合中每个线段元素端点的坐标生成第二框元素集合;根据所述第二框元素集合中每个框元素的顶点坐标和所述字符元素集合中的每个字符元素的坐标确定每个框元素中的字符元素;根据每个字符元素的坐标对每个框元素中的字符元素进行排序;根据所述目标PDF文件中的表的表头信息对所述字符元素集合中的字符元素进行匹配,得到表头信息对应的字符元素;根据框元素、每个框元素中排序后的字符元素以及表头信息对应的字符元素生成每个页面中的表格;根据相邻页面中的表格的顶点坐标确定相邻页面中的相邻表格;若相邻页面中的后一页面中的表格未检测到与表头信息匹配的字符元素,且相邻表格中至少一个表格的外框线完整,则拼接所述相邻表格,得到目标表格;若相邻页面中的后一页面中的表格未检测到与表头信息匹配的字符元素,相邻表格的列数相同,前一页面中的表格缺少底部线段,后一页面中的表格缺少顶部线段,则根据前一页面中的表格的最后一行的各单元格中的字符元素、后一页面中的表格的第一行的各单元格中的字符元素、前一页面中的表格的最后一行的各单元格宽度、后一页面中的表格的第一行的各单元格宽度以及各单元格的长度生成目标单元格,并在拼接所述相邻表格之后,将所述据前一页面中的表格的最后一行的单元格和后一页面中的表格的第一行的单元格替换为目标单元格,得到目标表格。
本实施例的技术方案,通过获取目标PDF文件;对所述目标PDF文件进行解析,得到所述目标PDF文件的每个页面中的表格、目标框元素集合以及字符元素集合;根据目标框元素集合和字符元素集合对相邻页面中的相邻表格进行拼接,得到目标表格,能够在相邻页面中的后一页面中的表格不具备表头的情况下,提取PDF文件中的表格。
实施例二
图6为本发明实施例提供的一种表格提取装置的结构示意图。本实施例可适用于表格提取的情况,该装置可采用软件和/或硬件的方式实现,该装置可集成在任何提供表格提取功能的设备中,如图6所示,所述表格提取装置具体包括:文件获取模块210、解析模块220和拼接模块230。
其中,文件获取模块,用于获取目标PDF文件;
解析模块,用于对所述目标PDF文件进行解析,得到所述目标PDF文件的每个页面中的表格、目标框元素集合以及字符元素集合;
拼接模块,用于根据目标框元素集合和字符元素集合对相邻页面中的相邻表格进行拼接,得到目标表格
上述产品可执行本发明任意实施例所提供的方法,具备执行方法相应的功能模块和有益效果。
实施例三
图7示出了可以用来实施本发明的实施例的电子设备10的结构示意图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本发明的实现。
如图7所示,电子设备10包括至少一个处理器11,以及与至少一个处理器11通信连接的存储器,如只读存储器(ROM)12、随机访问存储器(RAM)13等,其中,存储器存储有可被至少一个处理器执行的计算机程序,处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序,来执行各种适当的动作和处理。在RAM 13中,还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。
电子设备10中的多个部件连接至I/O接口15,包括:输入单元16,例如键盘、鼠标等;输出单元17,例如各种类型的显示器、扬声器等;存储单元18,例如磁盘、光盘等;以及通信单元19,例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理,例如表格提取方法。
在一些实施例中,表格提取方法可被实现为计算机程序,其被有形地包含于计算机可读存储介质,例如存储单元18。在一些实施例中,计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时,可以执行上文描述的表格提取方法的一个或多个步骤。备选地,在其他实施例中,处理器11可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行表格提取方法。
本文中以上描述的***和技术的各种实施方式可以在数字电子电路***、集成电路***、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上***的***(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程***上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储***、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储***、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器,使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中,计算机可读存储介质可以是有形的介质,其可以包含或存储以供指令执行***、装置或设备使用或与指令执行***、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体***、装置或设备,或者上述内容的任何合适组合。备选地,计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在电子设备上实施此处描述的***和技术,该电子设备具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的***和技术实施在包括后台部件的计算***(例如,作为数据服务器)、或者包括中间件部件的计算***(例如,应用服务器)、或者包括前端部件的计算***(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的***和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算***中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将***的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算***可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务中,存在的管理难度大,业务扩展性弱的缺陷。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本发明的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (10)
1.一种表格提取方法,其特征在于,包括:
获取目标PDF文件;
对所述目标PDF文件进行解析,得到所述目标PDF文件的每个页面中的表格、目标框元素集合以及字符元素集合;
根据目标框元素集合和字符元素集合对相邻页面中的相邻表格进行拼接,得到目标表格。
2.根据权利要求1所述的方法,其特征在于,根据目标框元素集合和字符元素集合对相邻页面中的相邻表格进行拼接,得到目标表格,包括:
若根据字符元素集合确定相邻页面中的后一页面中的表格中的字符元素均非表头信息对应的字符元素,且根据所述目标框元素集合确定相邻表格中至少一个表格的外框线完整,则拼接所述相邻表格,得到目标表格。
3.根据权利要求1所述的方法,其特征在于,根据目标框元素集合和字符元素集合对相邻页面中的相邻表格进行拼接,得到目标表格,包括:
若根据字符元素集合确定相邻页面中的后一页面中的表格中的字符元素均非表头信息对应的字符元素,且根据所述目标框元素集合确定相邻表格的列数相同,前一页面中的表格缺少底部线段,后一页面中的表格缺少顶部线段,则根据前一页面中的表格的最后一行的各单元格中的字符元素、后一页面中的表格的第一行的各单元格中的字符元素、前一页面中的表格的最后一行的各单元格宽度、后一页面中的表格的第一行的各单元格宽度以及各单元格的长度生成目标单元格;
将所述前一页面中的表格的最后一行的单元格以及单元格中的字符元素删除,得到第一待拼接表格;
将所述后一页面中的表格的第一行的单元格以及单元格中的字符元素删除,得到第二待拼接表格;
将所述第一待拼接表格、所述目标单元格以及所述第二待拼接表格进行拼接,得到目标表格。
4.根据权利要求1所述的方法,其特征在于,对所述目标PDF文件进行解析,得到所述目标PDF文件的每个页面中的表格、目标框元素集合以及字符元素集合,包括:
对所述目标PDF文件进行解析,得到所述目标PDF文件的每个页面中的第一线段元素集合、字符元素集合以及第一框元素集合;
对所述页面中的第一框元素集合中的框元素进行拆分,得到第二线段元素集合;
根据所述第一线段元素集合和所述第二线段元素集合确定目标框元素集合;
根据所述目标框元素集合和所述字符元素集合生成所述目标PDF文件的每个页面中的表格。
5.根据权利要求4所述的方法,其特征在于,根据所述第一线段元素集合和所述第二线段元素集合确定目标框元素集合,包括:
根据所述第一线段元素集合和所述第二线段元素集合确定目标线段元素集合;
根据所述目标线段元素集合中的线段元素之间的交点对所述目标线段元素集合中的线段进行切割,得到子线段元素集合;
根据所述子线段元素集合中每个子线段元素端点的坐标生成目标框元素集合。
6.根据权利要求4所述的方法,其特征在于,根据所述目标框元素集合和所述字符元素集合生成所述目标PDF文件的每个页面中的表格,包括:
根据所述目标框元素集合中每个框元素的顶点坐标和所述字符元素集合中每个字符元素的坐标确定每个框元素中的字符元素;
根据每个字符元素的坐标对每个框元素中的字符元素进行排序;
根据用户输入的表头信息确定表头信息对应的字符元素;
根据所述目标框元素集合、所述每个框元素中排序后的字符元素以及表头信息对应的字符元素生成每个页面中的表格。
7.根据权利要求3所述的方法,其特征在于,将所述第一待拼接表格、所述目标单元格以及所述第二待拼接表格进行拼接,得到目标表格,包括:
按照第一待拼接表格在上,目标单元格在下的拼接规则对第一待拼接表格和所述目标单元格进行拼接,得到第一表格;
按照第一表格在上,第二待拼接表格在下的拼接规则对第一表格和第二待拼接表格进行拼接,得到目标表格。
8.一种表格提取装置,其特征在于,包括:
文件获取模块,用于获取目标PDF文件;
解析模块,用于对所述目标PDF文件进行解析,得到所述目标PDF文件的每个页面中的表格、目标框元素集合以及字符元素集合;
拼接模块,用于根据目标框元素集合和字符元素集合对相邻页面中的相邻表格进行拼接,得到目标表格。
9.一种电子设备,其特征在于,所述电子设备包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-7中任一项所述的表格提取方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使处理器执行时实现权利要求1-7中任一项所述的表格提取方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211310019.7A CN115618834A (zh) | 2022-10-25 | 2022-10-25 | 一种表格提取方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211310019.7A CN115618834A (zh) | 2022-10-25 | 2022-10-25 | 一种表格提取方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115618834A true CN115618834A (zh) | 2023-01-17 |
Family
ID=84864206
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211310019.7A Pending CN115618834A (zh) | 2022-10-25 | 2022-10-25 | 一种表格提取方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115618834A (zh) |
-
2022
- 2022-10-25 CN CN202211310019.7A patent/CN115618834A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11861919B2 (en) | Text recognition method and device, and electronic device | |
EP3876197A2 (en) | Portrait extracting method and apparatus, electronic device and storage medium | |
EP4134920A2 (en) | Entity recognition method and apparatus, and computer program product | |
CN113205041A (zh) | 结构化信息提取方法、装置、设备和存储介质 | |
CN115578486A (zh) | 图像生成方法、装置、电子设备和存储介质 | |
CN113553428B (zh) | 文档分类方法、装置及电子设备 | |
CN113836462A (zh) | 页面描述文件的生成方法、装置、设备及存储介质 | |
CN112528610A (zh) | 一种数据标注方法、装置、电子设备及存储介质 | |
CN115374499A (zh) | 一种尺寸标注方法、装置、电子设备及存储介质 | |
CN116311300A (zh) | 表格生成方法、装置、电子设备以及存储介质 | |
CN115934928A (zh) | 一种信息抽取方法、装置、设备及存储介质 | |
CN115116070A (zh) | 一种精准切割pdf的方法、装置、设备及存储介质 | |
CN115618834A (zh) | 一种表格提取方法、装置、设备及存储介质 | |
CN115328898A (zh) | 一种数据处理方法、装置、电子设备及介质 | |
CN114239505A (zh) | word文档中隐藏字符清洗方法、装置和设备 | |
CN114187448A (zh) | 文档图像识别方法和装置、电子设备、计算机可读介质 | |
CN114722048A (zh) | 一种数据处理方法、装置、电子设备及存储介质 | |
CN114036249A (zh) | 地图数据处理方法、装置、电子设备和介质 | |
CN113886637A (zh) | 一种视频粗排序的方法、装置、电子设备及存储介质 | |
CN113361371A (zh) | 道路提取方法、装置、设备以及存储介质 | |
CN112861504A (zh) | 文本交互方法、装置、设备、存储介质及程序产品 | |
CN114491040B (zh) | 信息挖掘方法及装置 | |
CN115238695A (zh) | 一种文本信息抽取方法、装置、设备及存储介质 | |
CN117216066A (zh) | 一种物资编码生成方法、装置、设备及存储介质 | |
CN116451092A (zh) | 一种文本差异率确定方法、装置及电子设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |