[发明专利]一种PDF等版式文档中识别表格的方法

权利要求书

1.一种PDF等版式文档中识别表格的方法，其特征在于，包括以下步骤：

S1.在PDF页面渲染过程中，记录页面状态，忽略隐藏线条，记录有效的横向线段和纵向线段；

S2.合并近似共线且相交或近似相交的横向线段和纵向线段；

S3.找到所有横向线段和纵向线段的交点和两侧端点，并与线段建立关联；

S4.根据交点、端点、横向线段和纵向线段的连接关系，划分为多个互不联通的点线区域；

S5.遍历每个全连接的点线区域，将交点不超过4个即至多一个单元格的点线区域作为无效区域，多个相邻的无效区域作为无连通区域组；

S6.针对交点超过4个的点线区域，根据各个点之间是否有线段连接，得到每个单元格的坐标及边线；

S7.针对无连通区域组，如果存在多个横向线段或纵向线段，间距接近且长度相同，则将相邻横向线段或纵向线段之间的区域作为单元格；

S8.针对每个单元格组，划分为若干个表格行，若相邻表格行间单元格坐标未对齐，则拆分为两个单元格组；

S9.针对每个单元格组，遍历每个单元格，根据坐标计算单元格所占的行数和列数，并得到表格整体的行数和列数；

S10.遍历表格中的每个单元格，根据坐标设置单元格内的内容，包括文字和/或图片。

2.根据权利要求1所述的一种PDF等版式文档中识别表格的方法，其特征在于，步骤S1包括以下子步骤：

S101.对第一命令进行解析，将图片和/或图形绘制到页面空间上，所述第一命令包括渲染图片和/或图形；

S102.对第二命令进行支持和记录，所述第二命令包括设置线条颜色和背景颜色；

S103.对于第三命令，根据绘制状态中存储的线条颜色及其坐标对应的背景颜色，判断绘制的线段是否是不可见的，如果不可见，则跳过；如果可见，则从绘制状态中读取线条属性，并判断绘制的线段的类型，根据类型加入到横向线段集合或纵向线段集合；所述第三命令包括绘制线段的矩形或路径命令，所述线条属性包括线宽和颜色。

3.根据权利要求2所述的一种PDF等版式文档中识别表格的方法，其特征在于，步骤S2中：

针对横向线段集合，按纵坐标升序排序，纵坐标相同时按左或右端点坐标升序排序；然后针对任意位置接近的两个横向线段，判断是否近似共线；如果两个横向线段近似共线，且在横坐标上相交或近似相交，则合并为一个横向线段；

针对纵向线段集合，按横坐标升序排序，横坐标相同时按顶部或底部端点坐标升序排序；然后针对任意位置接近的两个纵向线段，判断是否近似共线；如果两个纵向线段近似共线，且在纵坐标上相交或近似相交，则合并为一个纵向线段。

4.根据权利要求1-3任一项所述的一种PDF等版式文档中识别表格的方法，其特征在于，步骤S3包括以下子步骤：

S301.设线段的两侧端点坐标为(X1，Y1)和(X2，Y2)，则X1＝X2表示该线段为纵向线段，Y1＝Y2表示该线段为横向线段；

S302.取所有横向线段的X1和X2，以及所有纵向线段的X1，按升序排列，记为数组A；定义集合B表示当前横坐标所在的横向线段；

S303.遍历数组A的每个元素，如果是横向线段的X1则将此横向线段加入到集合B；如果是横向线段的X2则将此横向线段从集合B中移除；如果是纵向线段的X1，则判断此纵向线段与集合B中的横向线段是否相交，如相交则记录交点并与两个线段建立关联；

S304.在找到所有交点和线段端点之后组成点集合，取所有点的横纵坐标的最大最小值，组成(Xmin，Ymin)，(Xmax，Ymin)，(Xmin，Ymax)，(Xmax，Ymax)，分别表示表格的左下、右下、左上、右上四个点，检查这四个点是否已记录，如未记录则加入点集合，以确保只有内框线且没有外框线的表格的最外圈单元格不被丢失。