[发明专利]一种PDF文档中的表格抽取方法、装置、设备及介质在审
申请号: | 201911082095.5 | 申请日: | 2019-11-07 |
公开(公告)号: | CN110795919A | 公开(公告)日: | 2020-02-14 |
发明(设计)人: | 陈宇;陈运文;王江;朱耀邦;钱亦欣;纪达麒 | 申请(专利权)人: | 达而观信息科技(上海)有限公司 |
主分类号: | G06F40/177 | 分类号: | G06F40/177 |
代理公司: | 11332 北京品源专利代理有限公司 | 代理人: | 孟金喆 |
地址: | 201203 上海市浦东新区中国(上海)自*** | 国省代码: | 上海;31 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | 本发明实施例公开了一种PDF表格识别和抽取方法、装置、设备及介质。其中,PDF表格识别和抽取方法包括:在包括有至少一个表格的PDF文档中,提取与至少一个表格的内容对应的结构化数据;将至少一个表格的结构化数据分别与待抽取表格内容对应的标注数据集进行匹配,确定与标注数据集匹配的目标表格;在目标表格中,识别出与标注数据集匹配的目标字段单元格集合;将目标表格中的所述目标字段单元格集合中的内容,写入至可编辑文档中。本发明实施例的技术方案通过将PDF文档中的表格对应的结构化数据与标注数据集进行匹配,实现了从表格中抽取特定单元格的技术效果,无需根据具体业务编写特定业务逻辑,提高了PDF文档中的表格抽取的通用性。 | ||
搜索关键词: | 数据集 标注 匹配 结构化数据 目标表格 抽取 表格识别 字段单元 集合 可编辑文档 表格抽取 表格内容 技术效果 业务逻辑 单元格 写入 | ||
【主权项】:
1.一种PDF文档中的表格抽取方法,其特征在于,包括:/n在包括有至少一个表格的PDF文档中,提取与所述至少一个表格的内容对应的结构化数据;/n将所述至少一个表格的结构化数据分别与待抽取表格内容对应的标注数据集进行匹配,确定与所述标注数据集匹配的目标表格;/n在所述目标表格中,识别出与所述标注数据集匹配的目标字段单元格集合;/n将所述目标表格中的所述目标字段单元格集合中的内容,写入至可编辑文档中。/n
下载完整专利技术内容需要扣除积分,VIP会员可以免费下载。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于达而观信息科技(上海)有限公司,未经达而观信息科技(上海)有限公司许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/patent/201911082095.5/,转载请声明来源钻瓜专利网。
- 上一篇:确定阅读位置的方法、装置及设备
- 下一篇:一种文档生成方法及设备
- 同类专利
- 一种PDF文档中的表格抽取方法、装置、设备及介质-201911082095.5
- 陈宇;陈运文;王江;朱耀邦;钱亦欣;纪达麒 - 达而观信息科技(上海)有限公司
- 2019-11-07 - 2020-02-14 - G06F40/177
- 本发明实施例公开了一种PDF表格识别和抽取方法、装置、设备及介质。其中,PDF表格识别和抽取方法包括:在包括有至少一个表格的PDF文档中,提取与至少一个表格的内容对应的结构化数据;将至少一个表格的结构化数据分别与待抽取表格内容对应的标注数据集进行匹配,确定与标注数据集匹配的目标表格;在目标表格中,识别出与标注数据集匹配的目标字段单元格集合;将目标表格中的所述目标字段单元格集合中的内容,写入至可编辑文档中。本发明实施例的技术方案通过将PDF文档中的表格对应的结构化数据与标注数据集进行匹配,实现了从表格中抽取特定单元格的技术效果,无需根据具体业务编写特定业务逻辑,提高了PDF文档中的表格抽取的通用性。
- 电子表格的创建方法、装置及计算机设备-201910780189.3
- 胡友兵;陈晓羽 - 平安科技(深圳)有限公司
- 2019-08-22 - 2020-01-17 - G06F40/177
- 本申请公开了一种电子表格的创建方法、装置及计算机设备,涉及计算机技术领域,能有效解决生成电子表格时,容易出现的效率低下、准确性低、创建成本高的问题。其中方法包括:接收电子表格的生成请求,所述生成请求中携带有待生成电子表格的用户需求信息;筛选出符合所述用户需求信息的目标表格组件;按照待输入数据调整所述目标表格组件;利用调整后的所述目标表格组件构建初始电子表格;将所述待输入数据上传到所述初始电子表格中,以便生成完整电子表格。本申请适用于电子表格的自动生成。
- 一种版式文档中的含线表格信息提取方法-201910743582.5
- 张诗玉;徐剑波;王磊 - 北京众信博雅科技有限公司
- 2019-08-13 - 2020-01-14 - G06F40/177
- 本发明涉及本发明涉及一种版式文档中的含线表格信息提取方法,包括以下步骤:步骤一、解析版式文档,逐页获取页面信息及页面中文字块和直线信息;步骤二、对各页的直线进行合并;步骤三、连续页拼接,将所有页面拼接,最终整个版式文件获得一个虚拟页;步骤四、提取表格所在位置和表格中直线信息;步骤五、结合文字块和表格线提取表格中各单元格内容和位置信息;步骤六、表格单元格的组织结构分析,本发明能有效提高表格的识别效果,尤其是不规则表格,减少了版式文档排版识别、转换的困难,有助于提高版式文档解析的效率和效果。
- 专利分类