[发明专利]基于富文本格式文档的表格提取方法、装置、设备和介质

说明书

本发明公开了基于富文本格式文档的表格提取方法、装置、设备和介质。所述方法包括：获取页面内容；通过预设表格检测模型，对页面内容进行表格检测处理，得到表格标签列表，以及得到第一表格内容；依据预设画贯穿线模型，对第一表格内容进行画贯穿线处理，得到惯穿线标签列表，以及得到第二表格内容；基于预设单元表格合并模型，对第二表格内容进行表格单元合并处理，得到短线标签列表，以及得到显性表格内容。根据本发明实施例提供的方案，通过预先训练出预设表格检测模型、预设画贯穿线模型和预设单元表格合并模型的这3个模型，可以将隐性表格内容提出出来，以得到显性表格内容。

技术领域

本发明涉及计算机技术领域，尤其涉及一种基于富文本格式文档的表格提取方法、装置、设备和介质。

背景技术

现有技术中富文本格式文档是包括但不限于文件扫描件、跨平台文件格式和网页等，其中跨平台文件格式包括PDF文档、Word文档等，它们是标题、文字章节和段落、表格和图像等组成成分的复合有机排版。

表格是一种对于人而言包含丰富的信息，并且对于机器而言有高度的结构化形式的数据结构，因此提取富文本格式文档中的表格数据有很大的研究价值和应用价值。

但是，目前对富文本格式文档中的隐性表格并没有很好的提取方法，无法准确地提取富文本格式文档中的隐性表格。

发明内容

本发明实施例提供基于富文本格式文档的表格提取方法、装置、设备和介质，可以准确地提取富文本格式文档中的隐性表格。

根据本发明实施例的一方面，提供一种基于富文本格式文档的表格提取方法，所述表格提取方法包括：

获取富文本格式文档，所述富文本格式文档包括至少一张页面内容；

通过预设表格检测模型，对所述富文本格式文档中所述页面内容进行表格检测处理，得到表格标签列表，以及依据所述页面内容和所述表格标签列表，得到第一表格内容；

依据预设画贯穿线模型，对所述第一表格内容进行画贯穿线处理，得到惯穿线标签列表，以及依据所述第一表格内容和所述惯穿线标签列表，得到第二表格内容；

基于预设单元表格合并模型，对所述第二表格内容进行表格单元合并处理，得到短线标签列表，以及依据短线标签列表和所述第二表格内容，得到显性表格内容。

根据本发明实施例的另一方面，提供一种基于富文本格式文档的表格提取装置，所述表格提取装置包括：

获取模块、预设表格检测模块、预设画贯穿线模块和预设单元表格合并模块；

所述获取模块，用于获取富文本格式文档，所述富文本格式文档包括至少一张页面内容；

所述预设表格检测模块，用于对所述富文本格式文档中所述页面内容进行表格检测处理，得到表格标签列表，以及依据所述页面内容和所述表格标签列表，得到表格内容；

所述预设画贯穿线模块，用于对所述表格内容进行画贯穿线处理，得到惯穿线标签列表，以及依据所述表格内容和所述惯穿线标签列表，得到第二表格内容；

所述预设单元表格合并模块，用于对所述第二表格内容进行表格单元合并处理，得到短线标签列表，以及依据短线标签列表和所述第二表格内容，得到显性表格内容。

根据本发明实施例的再一方面，提供一种设备，所述设备包括：处理器以及存储有计算机程序指令的存储器；

所述处理器执行所述计算机程序指令时实现如第一方面所述的表格提取方法。

根据本发明实施例的再一方面，提供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上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现第一方面所述的表格提取方法。