[发明专利]图表数据结构化提取方法、电子设备及计算机可读存储介质

说明书

本发明公开了一种图表数据结构化提取方法，该方法包括步骤：获取指定文档中的图表及每张图表的位置信息；根据每张图表的位置信息，提取每张图表的标题和上下文文字信息；根据上下文文字的位置信息，对每张图表的上下文文字进行拼接，并将拼接后的上下文文字与每张图表的标题及图表本身关联在一起，形成结构化的图表数据。本发明可以提高图表数据提取的完整度。

技术领域

本发明涉及计算机信息技术领域，尤其涉及一种图表数据结构化提取方法、电子设备及计算机可读存储介质。

背景技术

现有针对PDF文档的信息提取大多仅限于文字信息，而对于图表信息，也仅是提取出单独的图表，没有对图表的相关信息也进行统一抽取。单独的图表在脱离了其特定语义环境后可能会给人一种不知所云的感觉，这一点非常不利于对图表信息的进一步分析与利用。故，现有技术中的图表数据提取方法设计不够合理，亟需改进。

发明内容

有鉴于此，本发明提出一种图表数据结构化提取方法、电子设备及计算机可读存储介质，通过结构化地提取包括图表本身、图表标题及其上下文文字信息的图表数据，形成对图表信息的完整表达，便于其它应用接口后续对图表信息进行进一步地分析与利用。

首先，为实现上述目的，本发明提出一种电子设备，所述电子设备包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的图表数据结构化提取系统，所述图表数据结构化提取系统被所述处理器执行时实现如下步骤：

获取指定文档中的图表及每张图表的位置信息；

根据每张图表的位置信息，提取每张图表的标题和上下文文字信息；及

根据上下文文字的位置信息，对每张图表的上下文文字进行拼接，并将拼接后的上下文文字与每张图表的标题及图表本身关联在一起，形成结构化的图表数据。

优选地，所述提取每张图表的标题和上下文文字信息包括：

确定每张图表的一个相邻区域；

于每张图表的相邻区域内，从每张图表的位置向上扫描预定数量行数，扫描获取的文字信息记录为每张图表的标题；及

于每张图表的相邻区域内，从每张图表的位置向上、向下扫描该相邻区域内的剩余行数，扫描获取的文字信息记录为每张图表的上下文文字信息。

优选地，所述获取指定文档中的图表及每张图表的位置信息包括：

获取指定文档中所有文字的位置信息，并根据所有文字的位置信息获取该指定文档中的文字分布信息；

分析该指定文档中的文字分布信息，判断出该指定文档中文字分布密度较低的区域、或/及无文字分布的区域，并将所述文字分布密度较低的区域、或/及无文字分布的区域标记为候选图表区域；及

将所述标记的候选图表区域转换为图片，并从转换后的图片中筛选出包含图表信息的图片，作为该指定文档中抽取出的图表，并记录下每张图表的位置信息。

优选地，所述判断出该指定文档中文字分布密度较低的区域包括：若一行文字的长度小于第一阀值，则判断出该行文字分布密度较低，并清洗该行文字；及

所述判断出该指定文档中无文字分布的区域包括：对该指定文档中每一页从上到下进行扫描，若超过第二阀值宽度的区域没有扫描到文字，则判断出该区域为无文字分布的区域。

优选地，所述从转换后的图片中筛选出包含图表信息的图片包括：

对该转换后的图片进行灰度处理，将该转换后的图片转换为灰度图；

按行统计该灰度图中黑色像素点的数量和比例，若一行中黑色像素点的数量和比例超过指定阈值，则判定该行包含有具体内容；及