[发明专利]一种基于人机互助的PDF表格提取方法

权利要求书

1.一种基于人机互助的PDF表格提取方法，所述方法包括以下步骤：

步骤1、将待解析的PDF文件上传至浏览器，并打开所述PDF文件；

步骤2、在PDF页面中划选PDF表格区域，得到PDF表格在PDF页面中的位置信息，所述位置信息包括left信息、right信息、bottom信息和top信息；

步骤3、将步骤2得到的PDF表格在PDF页面中的left信息、right信息、bottom信息和top信息以及所述PDF表格在PDF文件中的页码信息传输给后台服务器；

步骤4、在后台服务器进行PDF表格的解析；

步骤5、后台服务器将解析的结果返回给浏览器，并在浏览器右侧进行展示。

2.根据权利要求1所述的方法，其特征在于，在步骤1中，浏览器的左侧显示PDF原文，浏览器的右侧显示PDF文件的解析结果，形成交互页面。

3.根据权利要求1或2所述的方法，其特征在于，在步骤1之后、步骤2之前，任选地进行步骤1’：

步骤1’、利用canvas技术对无边框表格或边框不完整表格进行划行和/或划列，进行PDF表格行和/或列的补全。

4.根据权利要求1至3之一所述的方法，其特征在于，在步骤3中，

还将所述PDF文件的链接地址传输给后台服务器，并在后台服务器中进行PDF文件的加载，以进行PDF表格的解析；

优选地，还将步骤1’中所划行和/或所划列的坐标位置信息传输给后台服务器，进行PDF表格的解析。

5.根据权利要求1至4之一所述的方法，其特征在于，步骤4包括以下子步骤：

步骤4-1、在后台服务器中进行PDF文件的加载，并解析出PDF文件中的各个文本块的信息；

步骤4-2、在虚拟内存中，利用步骤4-1得到的文本块的信息(尤其是文本块的坐标位置信息)，在PDF页面中重新排列各个文本块，形成待处理文本；

步骤4-3、利用步骤3传输的PDF表格在PDF页面中的left信息、right信息、bottom信息和top信息以及所述PDF表格在PDF文件中的页码信息，即可在待处理文本中筛选出待处理表格；

步骤4-4、进行单元格划分，绘制表格的行、列，完善表格框线；

步骤4-5、删除多余的空行和/或空列，完成PDF表格的格式化。

6.根据权利要求1至5之一所述的方法，其特征在于，在步骤4-2中，所述重新排列各个文本块是指根据文本块的坐标位置信息将位于同一水平位置上的文本块按从左到右的顺序排成一行，同时，将位于同一竖直位置上的文本块按从上到下的顺序排成一列。

7.根据权利要求1至6之一所述的方法，其特征在于，

在步骤4-1之后、步骤4-2之前进行步骤4-1’：

步骤4-1’、对步骤4-1中的文本块进行拆分处理，将需要拆分的文本块拆分成两个或多个文本块；

优选地，在步骤4-1’中，在一个文本块中，当相邻字符的间距尺寸大于预定值时，需要对所述文本块进行拆分；

更优选地，在所述间距尺寸大于预定值的相邻字符之间进行拆分；

其中，所述预定值的大小定义为PDF页面中一个汉字字符的平均尺寸；

和/或

在步骤4-3之后步骤4-4之前，任选地进行步骤4-3’：

步骤4-3’、删除步骤4-3得到的待处理表格中不规整的表格。

8.根据权利要求1至7之一所述的方法，其特征在于，当步骤1的PDF文件中含有的PDF表格为有边框表格时，在步骤4-4中直接进行单元格划分；

优选地，在相邻文本块没有交错处即空白处进行单元格的划分，完善表格框线。