[发明专利]一种提取PDF表格信息的系统

说明书

本发明公开了一种提取PDF表格信息的系统，其特征在于，包括文件读取模块、文件加载、表格坐标获取、表格坐标处理、表格内容获取、跨页处理、PDF文档与表格矩阵，所述文件读取模块包括文件加载、表格坐标获取、表格坐标处理、表格内容获取与跨页处理，所述PDF文档通过信息读取模块结果输出为表格矩阵。所述PDF文档为标准的表格数据，对于手工绘制的线条暂不做处理。所述跨页处理包括跨页表格按照每一个单元格的坐标信息和表头进行合并。所述PDF文档中的流数据操作符为“q”的表格。本发明能够提取PDF文件中的表格信息，且效率高、准确性高、不仅能提取表格的样式，更能提取表格中的内容。

技术领域

本发明涉及文件处理技术领域，尤其涉及一种提取PDF表格信息的系统。

背景技术

随着计算机网络的发展，信息量的不断增长，电子文件信息已经深入到了生产和生活的各个方面，如工业设计、影视娱乐、科学研究、教育和管理等方面的视频、音频、动画、表格等信息。PDF文件所支持的格式包括文本、表格、动画、音频和视频等信息，目前还没有方法能准确无误地提取出PDF文件中包含的信息。因此针对其中表格信息提取是我们研究的重点。从表头方向来说表头是横向的(简称为横表)表头是纵向的(简称为竖表)，从同一个表格的分布来说表格存在跨页的情况，需要进行判断并有效合并完整的表格再一页中展示，直接提取。从一个PDF页面来说可能存在一个表格，可能有多个表格，可能有一张表格的一部分，可能有两张表各自的一部分。从PDF文件来说可能一个页面有表格，可能多个页面有表格，可能要同时处理多个PDF的表格。针对上述情况，我们从PDF文件属性出发，通过研究PDF文件的字符流信息，发现使用PDFBox工具箱可以有效获取目前所有PDF的字符流信息，并能获取到关于PDF页码和字符等信息。

发明内容

鉴于此，本发明提供了一种提取PDF表格信息的系统，其特征在于，包括文件读取模块、文件加载、表格坐标获取、表格坐标处理、表格内容获取、跨页处理、PDF文档与表格矩阵，所述文件读取模块包括文件加载、表格坐标获取、表格坐标处理、表格内容获取与跨页处理，所述PDF文档通过信息读取模块结果输出为表格矩阵。

对本发明的进一步描述，所述PDF文档为标准的表格数据，对于手工绘制的线条暂不做处理。

对本发明的进一步描述，所述跨页处理包括跨页表格按照每一个单元格的坐标信息和表头进行合并。

对本发明的进一步描述，所述文件读取模块读取文件中的流数据后，使用流读取操作获取文件的流数据信息。

对本发明的进一步描述，所述PDF文档中的流数据操作符为“q”的表格。

采用上述技术方案，具有如下有益效果：

本发明能够提取PDF文件中的表格信息，且效率高、准确性高、不仅能提取表格的样式，更能提取表格中的内容。

附图说明

图1为本发明的系统结构图。

具体实施方式

下面结合附图对本发明做进一步说明。

如图1所述的一种提取PDF表格信息的系统，其特征在于，包括文件读取模块、文件加载、表格坐标获取、表格坐标处理、表格内容获取、跨页处理、PDF文档与表格矩阵，所述文件读取模块包括文件加载、表格坐标获取、表格坐标处理、表格内容获取与跨页处理，所述PDF文档通过信息读取模块结果输出为表格矩阵。所述PDF文档为标准的表格数据，对于手工绘制的线条暂不做处理。所述跨页处理包括跨页表格按照每一个单元格的坐标信息和表头进行合并。所述文件读取模块读取文件中的流数据后，使用流读取操作获取文件的流数据信息。所述PDF文档中的流数据操作符为“q”的表格。

从PDF文件属性出发，通过研究PDF文件的字符流信息，发现使用PDFBox工具箱可以有效获取目前所有PDF的字符流信息，并能获取到关于PDF页码和字符信息等信息。