[发明专利]解析PDF表格数据的方法、存储介质

权利要求书

1.一种解析PDF表格数据的方法，其特征在于，包括：

获取每页PDF的各线段的坐标和各字符的坐标；

依据线段交点划分出单元格，并获取各单元格对应的矩形坐标；

依据字符的坐标与矩形坐标的包含关系，获取各单元格对应的字段块；

还包括：

将每页PDF转变为图像数据形式；

若相衔接的上下页沿Y轴方向逐步叠加靠拢后，能够获取相对应的垂直的线段，且能够分别在所述垂直的线段上获取到水平的线段，则合并所述上下页衔接处的单元格；

所述若相衔接的上下页沿Y轴方向逐步叠加靠拢后，能够获取相对应的垂直的线段，且能够分别在所述垂直的线段上获取到水平的线段，则合并所述上下页衔接处的单元格，具体为：

预设每页PDF的左上角为坐标原点；

对当前页从Y轴最大值开始，往原点方向前进获取垂直的线段后，判断所述垂直的线段上是否存在与其相交的水平线段；且同时

对下一页从Y轴零坐标开始，往最大值方向前进获取垂直的线段后，判断所述垂直的线段上是否存在与其相交的水平线段；

若是，则将所述当前页中相邻所述垂直的线段对应的单元格与所述下一页中相对应的单元格合并为同一个单元格。

2.如权利要求1所述的解析PDF表格数据的方法，其特征在于，还包括：

依据单元格的中位线，确定每一行对应的单元格。

3.如权利要求1所述的解析PDF表格数据的方法，其特征在于，所述依据字符的坐标与矩形坐标的包含关系，获取各单元格对应的字段块，具体为：

依据字符的坐标是否位于矩形坐标内，获取非空白的各个矩形坐标对应的字符；

依据字符从PDF的坐标空间映射到用户视觉空间的矩阵系数，排除所述非空白的各矩形坐标内的水印字符；

所述非空白的各矩形坐标对应的字符组成字段块，补充空白的各个矩形坐标对应空白字段；

获取各单元格对应的字段块。

4.如权利要求1所述的解析PDF表格数据的方法，其特征在于，所述获取每页PDF的各线段的坐标和各字符的坐标，具体为：

将每页PDF的线段和字符渲染到CImage句柄，在渲染的同时捕获各线段和各字符的坐标。

5.如权利要求1所述的解析PDF表格数据的方法，其特征在于，所述依据线段交点划分出单元格，并获取各单元格对应的矩形坐标，具体为：

若一线段的一端点坐标与另一线段的一端点坐标之间的距离在预设的第一阈值范围内，则判定所述一线段与所述另一线段相交；

若相邻的四条线段依序头尾相交，且组成的区域超过预设的第二阈值范围，则获取所述四条线段的坐标，标记为所述四条线段构成的单元格对应的矩形坐标。

6.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现以下步骤：

获取每页PDF的各线段的坐标和各字符的坐标；

依据线段交点划分出单元格，并获取各单元格对应的矩形坐标；

依据字符的坐标与矩形坐标的包含关系，获取各单元格对应的字段块；

所述程序还能实现以下步骤：

将每页PDF转变为图像数据形式；

依据单元格的中位线，确定每一行对应的单元格；

若相衔接的上下页沿Y轴方向逐步叠加靠拢后，能够获取相对应的垂直的线段，且能够分别在所述垂直的线段上获取到水平的线段，则合并所述上下页衔接处的单元格；

所述若相衔接的上下页沿Y轴方向逐步叠加靠拢后，能够获取相对应的垂直的线段，且能够分别在所述垂直的线段上获取到水平的线段，则合并所述上下页衔接处的单元格，具体为：

预设每页PDF的左上角为坐标原点；

对当前页从Y轴最大值开始，往原点方向前进获取垂直的线段后，判断所述垂直的线段上是否存在与其相交的水平线段；且同时

对下一页从Y轴零坐标开始，往最大值方向前进获取垂直的线段后，判断所述垂直的线段上是否存在与其相交的水平线段；

若是，则将所述当前页中相邻所述垂直的线段对应的单元格与所述下一页中相对应的单元格合并为同一个单元格。

7.如权利要求6所述的计算机可读存储介质，其特征在于，步骤获取每页PDF的各线段的坐标和各字符的坐标，具体为：

将每页PDF的线段和字符渲染到CImage句柄，在渲染的同时捕获各线段和各字符的坐标；

步骤依据线段交点划分出单元格，并获取各单元格对应的矩形坐标，具体为：

若一线段的一端点坐标与另一线段的一端点坐标之间的距离在预设的第一阈值范围内，则判定所述一线段与所述另一线段相交；

若相邻的四条线段依序头尾相交，且组成的区域超过预设的第二阈值范围，则获取所述四条线段的坐标，标记为所述四条线段构成的单元格对应的矩形坐标；

步骤依据字符的坐标与矩形坐标的包含关系，获取各单元格对应的字段块，具体为：

依据字符的坐标是否位于矩形坐标内，获取非空白的各个矩形坐标对应的字符；

依据字符从PDF的坐标空间映射到用户视觉空间的矩阵系数，排除所述非空白的各矩形坐标内的水印字符；

所述非空白的各矩形坐标对应的字符组成字段块，补充空白的各个矩形坐标对应空白字段；

获取各单元格对应的字段块。