[发明专利]一种识别PDF文档中图表的方法

说明书

技术领域

本发明属于PDF文件内容处理与分析的技术领域， 本发明涉及一种识别 PDF 文件中的图表的方法。

背景技术

财务报表、技术报告、学术期刊和各种论文等带有大量绘制图表信息的文档，经常采用 PDF 格式保存。PDF内容提取场景，如转换为其他格式（如EPUB、MOBI电子书格式）重新排版时避免图表文字混入正文，或针对图表数据做进一步分析处理，都需要识别图表信息。

造成图表与文字内容无法区分的原因很多，除原始文档特点和排版错误等不可控因素，PDF格式的特殊性是主因。首先，PDF格式标准中并没有“图表”图表的逻辑概念，仅仅根据指令在页面上画出对象，若干绘制对象（如路径）和文字对象组合才构成一副图表，比如坐标轴是由两条直线（路径）垂直组成，表格也是由路径围绕文字组成。其次，文字段落中也经常会出现绘制对象，最典型的就是包含分数线、根号的行内数学公式 。另外，绘制对象经常被用来作为排版元素，比如下划线、分割线等，也会干扰图表识别。综合以上，逻辑上正文与图表的组成元素相同，所以难以直接区别。

现有技术通常分为两类，一种是人工或模板标注，通过指定范围确定处理的边界，人工操作效率低，无法处理大规模的文档，而模板方式灵活性较差。另一种是通过简单提取绘制对象确定，但是会发生很多错误，原因上面已有阐述。一个简单的示例如图1，图文混排的PDF文件结构中包含若干文字和绘图对象，这里仅标注四处（101~104）。简单的对象类型不能作为判断图表的依据，在文字部分可能出现绘图对象如102，而图表部分也会出现文字对象如104。一般来说，出现大量图表的文档，也会在文字部分出现数字、公式等干扰识别。此外，图表区域下方的图注：Figure 1. A sample figure，从内容属性角度无法与之后的文字部分区别，但逻辑上属于图表的一部分，转换时会产生混乱。实际情况中的排版，比如多栏文本、跨栏图表可能会更复杂，因此传统方法经常会造成转换失误，干扰后续处理工作。

发明内容

本发明所要解决的技术问题是提供一种识别 PDF文件中的图表的方法， 能够解析页面上的图表内容并标识其所在位置 。

步骤1：遍历文件数据，记录PDF格式标准中所有文字和绘图 （路径、剪辑、位图）对象的区域信息，表示为该对象位置坐标及宽高参数构成的矩形。

步骤2：计算每个文字对象的字符密度（字符数除以矩形面积），统计所有文字对象的平均字符密度d 和方差v，最小字符宽w和高h。

步骤3：过滤不合规绘图对象，条件包括矩形超出页面内容边界或其他自定条件；如果矩形面积为零，则绘图区域水平和垂直方向各扩大w/2和h/2。

步骤4：遍历绘图对象，如果与其他对象（文字或绘图）矩形相交则合并区域为新绘图对象并记录字符数，直到所有范围不再变化。

步骤5：计算每个绘图对象的字符密度D，如果D值在 区间外，则判定该对象为图表，对应矩形范围即图表所在区域。

本发明的有益效果是： 通过遍历 PDF 文件，提取绘图对象和文本对象分别处理，对前者进行过滤、合并和识别，而后者提供重要参数——平均字符密度。原理是，文字对象所占区域大小与字符数成比例，字符越多所占面积也越大，反之亦然，即文档字符密度在一定范围内浮动，由平均值与方差表示 。相对而言，图表区域由于合并绘图对象，面积变大（或变少）而字符数不变，使得字符密度与文字区域产生差别，由此我们可以做出判断。文字区域掺入绘图对象也类似，合并后大量文字对象能够维持该区域的密度，因而避免排版元素、行内公式等因素引起误判，从而大大提高图表识别的准确率。

在上述技术方案的基础上，本发明还可以做如下扩展，用来识别题注、图注、表注文字：在所述步骤 5之后，还包括步骤 6：读取已识别图表绘图区域正上方或下方的文字，如果发现指定关键字，则确定该文字段落为题注、表注、图注，也属于图表的一部分。关键字视文档类型和语言而定，如“Figure”、“图”、“Table”、“表”等等。

附图说明

图 1 带有图表的PDF文档示意图。

图 2为本发明提出的识别 PDF文件中图表的方法的流程图。

具体实施方式

以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。