[发明专利]解析PDF表格数据的方法、存储介质

说明书

本发明提供一种解析PDF表格数据的方法、存储介质，方法包括：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。本发明依据各线段和各字符坐标的关系精确划分出单元格和单元格内的字符，精确提取PDF的表格以及表格内的数据，实现PDF表格的准确、便捷、自动化解析。

技术领域

本发明涉及数据解析领域，具体说的是解析PDF表格数据的方法、存储介 质。

背景技术

现有技术的PDF解析的对象现有一般都是针对文字，而里面的表格只是视 觉上的，没有真正的表格对象，各个单元格只是用线段划分开来，PDF协议只 是记录这些文字、线段、图片等的位置信息。

现有的相关解析只是获取里面的文字，但对于表格数据而言应该严格对应 标题的相应列，由于PDF的特殊性，如前后页表格的连续，单个单元格的换行 的不确定性，水印等。单纯字符的划分不太现实、针对每种格式的表格都得先 分析其中的区分特性，从而再写相应的脚本导入到数据库，工作量之大难以想 象，因此很难实现把PDF的表格数据自动的提取存储在数据库中。

因此，目前市场上的PDF解析相对闭源，且对这类表格数据都是单纯的字 符处理，很难做到数据与标题的对应，很难判断数据行与行之间的相关性。

发明内容

本发明所要解决的技术问题是：一种解析PDF表格数据的方法、存储介质， 实现全自动准确地解析表格数据，且实用性强。

为了解决上述技术问题，本发明采用的技术方案为：

一种解析PDF表格数据的方法，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

本发明提供的另一个技术方案为：

一种计算机可读存储介质，其上存储有计算机程序，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。

本发明的有益效果在于：提供一种视觉解析PDF表格数据的方法，无需根 据特定的PDF文件分析字段之间如何划分，无需确定表格的标题头，能够实现 全自动准确地解析并组织字段块数据，适用性强。具体的，依据各线段和各字 符坐标的关系精确划分出单元格和单元格内的字符，精确提取PDF的表格以及 表格内的数据，自动性极强，大大简化了PDF表格的导入。本发明能够大大改 进PDF表格数据的解析的准确度和便捷性，效果十分显著。

附图说明

图1为单表格形式的PDF表格示意图；

图2为随机空白单元格的示意图；

图3为跨页单元格的示意图；

图4为多层水印的表格示意图；

图5为本发明一种解析PDF表格数据的方法的流程示意图；

图6为线段交点的示意图；

图7为构成有效单元格的线段组成示意图；

图8为实施例一的流程示意图。

具体实施方式