[发明专利]表格信息结构化提取方法、电子设备及计算机可读存储介质

说明书

技术领域

本发明涉及计算机信息技术领域，尤其涉及一种表格信息结构化提取方法、电子设备及计算机可读存储介质。

背景技术

现有针对PDF年报中的表格信息抽取，一般是基于OCR技术。但是，在出现换行、换页、特殊字符干扰情况下，OCR技术无法还原和重塑原始表格信息，及进一步的结构化整合，并对使用者造成理解上的困难，也不利于后续的信息比对。故，现有技术中的表格信息提取方法设计不够合理，亟需改进。

发明内容

有鉴于此，本发明提出一种表格信息结构化提取方法、电子设备及计算机可读存储介质，通过分析指定文档(如PDF文档)中表格文字内容的位置信息和标签信息，可以识别出表格(如PDF年报表格)中的换行情形和跨页情形，并对出现换行情形和跨页情形的表格进行结构化数据提取并存储。

首先，为实现上述目的，本发明提出一种电子设备，所述电子设备包括存储器和处理器，所述存储器上存储有可在所述处理器上运行的表格信息结构化提取系统，所述表格信息结构化提取系统被所述处理器执行时实现如下步骤：

获取指定文档中每行文字的位置信息和标签信息；

根据每行文字的位置信息和标签信息，从该指定文档的表格中识别出换行情形和跨页情形；

当从该指定文档的表格中识别出换行情形时，则根据第一重塑规则将表格信息进行分行存储和分列存储；及

当从该指定文档的表格中识别出跨页情形时，则根据第二重塑规则将表格信息进行分行存储和分列存储。

优选地，所述第一重塑规则包括：将上边沿坐标相同的文字存储为同一行，将左边沿坐标相同的文字存储为同一列；

所述第二重塑规则包括：

删除前一表格所在前一页面的页脚和下一表格所在下一页面的页眉；

将删除页脚后的前一表格文字内容与删除页眉后的下一表格文字内容进行拼接形成拼接表格；及

将所述拼接表格中上边沿坐标相同的文字存储为同一行，并将所述拼接表格中左边沿坐标相同的文字存储为同一列。

优选地，所述删除前一表格所在前一页面的页脚和下一表格所在下一页面的页眉包括：

根据前一页面和下一页面的标签信息、及该指定文档的特定规则，对该指定文档中前一页面的页脚范围和下一页面的页眉范围进行定位，并根据定位确定的页脚范围和页眉范围删除前一页面的页脚和下一页面的页眉；

其中，前一页面的页脚范围的确定规则为：依据从下至上的顺序，选取所述前一页面的页面长度的第一比例内容，将选取的第一比例内容作为所述前一页面的页脚范围；及

下一页面的页眉范围的确定规则为：依据从上至下的顺序，选取所述下一页面的页面长度的第二比例内容，将选取的第二比例内容作为所述下一页面的页眉范围。

优选地，所述换行情形包括行内换行和行尾换行；

其中，所述行内换行的识别包括：

获取该行文字中每个单元格的文字内容位置信息，其中，每个单元格的文字内容位置信息包括每个单元格的文字内容的上边沿坐标；及

从文字内容上边沿坐标相同的单元格中，获取第一次出现的单元格位置和最后一次出现的单元格位置，将第一次出现的单元格位置到最后一次出现的单元格位置的所有单元格确定为同一行，并判定第一次出现的单元格位置与最后一次出现的单元格位置之间文字内容上边沿坐标不同的单元格为行内换行的单元格。

优选地，所述行尾换行的识别包括：

若行内换行识别后当前行文字中存在剩余单元格，则获取所述剩余单元格的文字内容位置信息，其中，所述剩余单元格的文字内容位置信息包括所述剩余单元格的文字内容的上边沿坐标；

计算所述剩余单元格的文字内容上边沿坐标与当前行及下一行所有单元格的文字内容上边沿坐标的距离，或计算所述剩余单元格的文字内容上边沿坐标与当前行及上一行所有单元格的文字内容上边沿坐标的距离；及

若距离最小值出现在当前行，则将所述剩余单元格的文字内容并入当前行，并判定所述剩余单元格为当前行的行尾换行单元格。

此外，为实现上述目的，本发明还提供一种表格信息结构化提取方法，该方法应用于电子设备，所述方法包括：

获取指定文档中每行文字的位置信息和标签信息；

根据每行文字的位置信息和标签信息，从该指定文档的表格中识别出换行情形和跨页情形；

当从该指定文档的表格中识别出换行情形时，则根据第一重塑规则将表格信息进行分行存储和分列存储；及