[发明专利]表格信息的提取方法、装置、设备及存储介质

说明书

本申请提供了一种表格信息的提取方法、装置、设备及存储介质，属于计算机技术领域。本申请提供了能够从PDF文件中自动化提取无表格线的表格的方法。通过利用图像处理技术，自动化地找到垂直分割线的位置，利用NLP技术，自动化地找到水平分割线的位置。利用垂直分割线和水平分割线对图像进行分割，从而准确地分割出单元格区域，进而根据单元格区域提取图像包含的表格信息。即使PDF文件或图片等源文件包含的表格是不规范的表格，例如表格无表格线、表格线不完整或单元格出现换行文本，也能通过该方法准确提取出表格信息，并且无需用户人工操作，做到全程自动化，因此极大地提高了表格信息的提取效率。

技术领域

本申请涉及计算机技术领域，特别涉及一种表格信息的提取方法、装置、设备及存储介质。

背景技术

时下，对账单、送货单、财报等各种表格经常会携带在便携式文档格式(PortableDocument Format，PDF)文件或图片中，在网络中传播。然而，PDF文件或图像的存储结构中本身并不包括表格这种对象，因此，如何从PDF文件或图片中提取表格信息成为亟需解决的问题。

相关技术在提取表格的过程中，计算设备首先会解析PDF文件，从PDF文件的存储结构中得到每个表格线的坐标。之后，计算设备根据每个表格线的坐标，从PDF文件中定位到每个单元格，从而提取出表格信息。

采用上述方法时，要求待提取的表格具有完整的表格线，一旦表格本身没有表格线或者表格本身的表格线不完整，则无法采用上述方法提取出表格信息。

发明内容

本申请实施例提供了一种表格信息的提取方法、装置、设备及存储介质，能够从PDF文件中自动化提取无表格线的表格。所述技术方案如下：

第一方面，提供了一种表格信息的提取方法，在该方法中，获取图像和文本；根据所述图像在水平方向上的灰度分布，在所述图像中确定垂直分割线，所述垂直分割线在所述图像中所处位置的所述灰度分布满足条件；根据所述文本中换行文本的开始行，在所述图像中确定水平分割线，所述水平分割线在所述图像中所处位置在所述开始行之上；根据所述垂直分割线和所述水平分割线，对所述图像进行分割，得到至少一个单元格区域；根据所述至少一个单元格区域包括的信息，获取表格信息。

通过该方法，利用图像处理技术，在图像中定位到垂直分割线，使得设备能够自动化地找到垂直分割线的位置。并且，利用NLP技术，在图像中定位到水平分割线，使得设备能够自动化地找到水平分割线的位置。利用垂直分割线和水平分割线对图像进行分割，从而准确地分割出单元格区域，进而根据单元格区域提取图像包含的表格信息。通过该方法，即使PDF文件或图片等源文件包含的表格是不规范的表格，例如表格无表格线、表格线不完整或单元格出现换行文本，也能通过该方法准确提取出表格信息，并且无需用户人工操作，做到全程自动化，因此极大地提高了表格信息的提取效率。

可选地，所述根据所述图像在水平方向上的灰度分布，在所述图像中确定垂直分割线，包括：对所述图像中每个像素点的灰度值进行统计，得到统计结果，所述统计结果用于指示所述图像在水平方向上的灰度分布；根据所述统计结果，在所述图像中确定文本边界，所述文本边界在所述图像中所处位置的所述灰度分布的变化率大于第一阈值；根据所述文本边界，在所述图像中确定垂直分割线，所述垂直分割线在所述图像中位于相邻的文本边界之间。

通过这种可选方式，一方面，即使表格的列与列之间没有边框线，由于统计出了水平方向上的灰度分布，根据灰度分布的变化率，检测出了列的文本边界，从而更精确地定位到垂直分割线，利用垂直分割线分割后，能够将表格的每一列准确提取出来。另一方面，无需用户执行输入列边界位置的繁琐操作，而是自动化确定垂直分割线的位置，因此极大提高了表格信息提取的效率。

可选地，所述对所述图像中每个像素点的灰度值进行统计，得到统计结果，包括：对所述图像中每个像素点的灰度值进行二值化，得到灰度数据，所述灰度数据包括所述图像中每个像素点的二值化灰度值；