[发明专利]PDF文档中表格解析的方法、系统、存储介质及电子设备

说明书

本发明涉及PDF文档中表格解析的方法、系统、存储介质及电子设备，S1：对PDF文档中的绘图指令进行解析，获得线段；S2：根据线段解析出表格及表格对应的位置，根据表格及表格对应的位置获取表格数据；S3：对表格数据进行校验，若表格格式错误，则进入步骤S4，若表格格式正确，则提取表格数据并进入步骤S5；S4：通过图像边缘检测算法对PDF文档进行解析，获得线段，然后进入步骤S2；S5：通过基于深度学习的物体探测算法来探测PDF文档中无表格线的表格存在的区域，并在判定成功的区域中的文本块的排列位置，添加表格线得到表格数据，提取表格数据。通过使用本发明，大大提高了采集表格数据的效率，提高了准确性。

技术领域

本发明涉及计算机技术领域，尤其涉及PDF文档中表格解析的方法、系统、存储介质及电子设备。

背景技术

上市公司的公告以及研究报告一般都是PDF文件，我们需要从这些文件中取得数据录入数据库，这些数据往往在表格中。以前通过人工打开PDF文件，复制黏贴所需要的数据到录入系统，或者根据模版匹配，又或者通过PDF表格解析的方法提取表格数据。

手动进行录入的方法，一是费事费力，数据录入不能很及时，还容易出错。根据模版匹配的方法，该方法由于模版和PDF格式息息相关，需要配置很多模版，而且PDF来源我们无法控制，万一作者一改格式就会失效。

由于PDF文件记录的是最后显示的呈现形式，内部并没有表格的结构化数据，但是记录一系列的操作Operator，类似于记录一幅画是怎么画的，先在哪个位置画一条线，然后在哪里写了个字，通过PDF文件能解析出一些画线和文字的位置。目前较为常规的PDF表格解析，一般是通过解析表格线段，以及文字的特征来识别表格，表格线段解析遇到表格线缺失就会不成功；而文字特征常用于，较固定表格内容的表格解析，如已知部分行列的文本特征，通过文字位置，间距来判断特定格式表格，通用型有限。

发明内容

为解决上述问题，本发明提出一种PDF文档中表格解析的方法，目的在于获取PDF文档中的表格数据。本申请实施例还提供了相应的系统、存储介质及电子设备。

一种PDF文档中表格解析的方法，包括以下步骤：

S1：对PDF文档中的绘图指令进行解析，获得线段；

S2：根据线段解析出表格及表格对应的位置，根据表格及表格对应的位置获取表格数据；

S3：对表格数据进行校验，若表格格式错误，则进入步骤S4，若表格格式正确，则提取表格数据并进入步骤S5；

S4：通过图像边缘检测算法对PDF文档进行解析，获得线段，然后进入步骤S2；

S5：通过基于深度学习的物体探测算法来探测PDF文档中无表格线的表格存在的区域，并在判定成功的区域中的文本块的排列位置，添加表格线得到表格数据，提取表格数据。

优选的，所述根据线段解析出表格及表格对应的位置，根据表格及表格对应的位置获取表格数据包括以下步骤：

S201：根据线段识别由线段所形成的单元格以及表格区域，得到表格线数据；

S202：根据每个单元格所对应的坐标，再根据对绘图指令的解析得到各单元格矩形区域内的文本块及文本块对应的坐标；

S203：根据表格线数据和文本块得到表格数据。

优选的，所述根据线段识别由线段所形成的单元格以及表格区域包括以下步骤：

S2011：将所有线段分为水平线和垂直线，并按坐标排序，遍历所有水平线和垂直线，获取交点，建立交点和水平线、垂直线的对应关系；