[发明专利]文档图表抽取方法、电子设备及计算机可读存储介质

说明书

本发明公开了一种文档图表抽取方法，该方法包括步骤：获取指定文档中所有文字的位置信息；针对该指定文档中的每张页面，生成一张与该指定文档页面相同大小的空白图片，然后根据该页面中所有文字的位置信息，将该页面中所有文字转换为该空白图片中的像素点，并对该空白图片进行渲染；将所述渲染后的图片中的空白区域标记为候选图表区域，并从该候选图表区域中抽取图表信息，作为该指定文档页面抽取出的图表。本发明可以提升图表抽取的效率和覆盖面。

技术领域

本发明涉及计算机信息技术领域，尤其涉及一种文档图表抽取方法、电子设备及计算机可读存储介质。

背景技术

现有的PDF图表抽取工具及程序大多是基于PDF存储对象的，这种方式仅能抽取作为单独图片对象存储的图表，而在一个PDF文档中，含有较多的图表信息(如Office图表等)，这些图表都能直观地表达出文档中的部分信息。然而，现有的PDF图表抽取工具及程序对于Office图表等由多个部分组成的图表则无法正确抽取。故，现有技术中的文档图表抽取方法设计不够合理，亟需改进。

发明内容

有鉴于此，本发明提出一种文档图表抽取方法、电子设备及计算机可读存储介质，通过页面渲染方式从PDF文档中抽取图表，提升了图表抽取的效率和覆盖面。

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和处理器，所述存储器上存储有可在所述处理器上运行的文档图表抽取系统，所述文档图表抽取系统被所述处理器执行时实现如下步骤：

获取指定文档中所有文字的位置信息；

针对该指定文档中的每张页面，生成一张与该指定文档页面相同大小的空白图片，然后根据该页面中所有文字的位置信息，将该页面中所有文字转换为该空白图片中的像素点，并对该空白图片进行渲染；及

将所述渲染后的图片中的空白区域标记为候选图表区域，并从该候选图表区域中抽取图表信息，作为该指定文档页面抽取出的图表。

优选地，所述对该空白图片进行渲染包括：针对该空白图片中的所有像素点位置，将有文字占据的像素点位置渲染为黑色，没有文字占据的像素点位置保持白色。

优选地，所述文档图表抽取系统被所述处理器执行时还实现如下步骤：

通过图像形态学处理方法对所述渲染后的图片进行处理，将所述渲染后的图片中的文字信息界限显著化。

优选地，所述从该候选图表区域中抽取图表信息包括：

将所述标记的候选图表区域转换为图片，并通过像素分布分析，对转换后的图片进行筛选，选择出包含图表信息的图片，作为该指定文档页面抽取出的图表。

优选地，所述通过像素分布分析对转换后的图片进行筛选包括：

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

统计包含有具体内容的行的数量，若包含有具体内容的行数大于或等于设定阈值，则判定该转换后的图片为一张包含图表信息的图片。

此外，为实现上述目的，本发明还提供一种文档图表抽取方法，该方法应用于电子设备，所述方法包括：

获取指定文档中所有文字的位置信息；

针对该指定文档中的每张页面，生成一张与该指定文档页面相同大小的空白图片，然后根据该页面中所有文字的位置信息，将该页面中所有文字转换为该空白图片中的像素点，并对该空白图片进行渲染；及

将所述渲染后的图片中的空白区域标记为候选图表区域，并从该候选图表区域中抽取图表信息，作为该指定文档页面抽取出的图表。