[发明专利]PDF报表数据提取方法及装置

权利要求书

1.一种PDF报表数据提取方法，其特征在于，所述方法包括：

根据一PDF文档格式的报表模板创建与该报表模板对应的XML格式模板，其中，XML格式模板包括报表的表头、各个数据项名称，及表头和各个数据项坐标，报表模板中数据项无对应数据；

根据所述XML格式模板中各个数据项坐标，从与所述报表模板相同且存在数据项有数据的目标PDF文档中提取数据项对应的数据；

根据所述XML格式模板的表头和提取的数据项对应的数据形成XML格式的报表；

所述根据一PDF文档格式的报表模板创建与该报表模板对应的XML格式模板，包括：

对所述PDF文档中的第一页面树Pages Root进行检索，以获取第一页面字典；

对所述第一页面字典进行检索，以获取第一页面字典中的第一Contents字典项；

对所述第一Contents字典项进行检索，以获取所述第一Contents字典项中的第一内容流；

根据所述第一内容流中的内容信息和坐标信息创建XML格式的报表模板，其中所述内容信息包括报表的表头、各个数据项名称，所述坐标信息包括表头和各个数据项坐标。

2.根据权利要求1所述的方法，其特征在于，所述XML格式模板包括名称节点和坐标节点，其中，所述坐标节点为所述名称节点的子节点，所述根据所述第一内容流中的内容信息和坐标信息创建XML格式的报表模板，包括：

将所述第一内容流中的内容信息写入所述XML格式模板的名称节点中；

将所述第一内容流中的坐标信息写入所述XML格式模板的坐标节点中。

3.根据权利要求2所述的方法，其特征在于，在根据所述XML格式模板中各个数据项坐标，从与所述报表模板相同且存在数据项有数据的目标PDF文档中提取数据项对应的数据之前，还包括解析目标PDF文档的步骤，所述步骤具体包括：

对所述目标PDF文档中的第二页面树Pages Root进行检索，以获取第二页面字典；

多所述第二页面字典进行检索，以获取第二页面字典中的第二Contents字典项；

对所述第二Contents字典项进行检索，以获取所述第二Contents字典项中的第二内容流。

4.根据权利要求3所述的方法，其特征在于，所述根据XML格式模板的表头和提取的数据项对应的数据形成XML格式的报表，包括：

将从所述第二内容流中提取的数据项对应的数据的内容信息及数据的坐标信息写入XML格式模板，以形成XML格式的报表。

5.根据权利要求4所述的方法，其特征在于，所述根据XML格式模板的表头和提取的数据项对应的数据形成XML格式的报表，还包括：

根据XML格式模板中的数据项坐标及预设的数据提取容差值确定该数据项对应的提取范围；

从该提取范围中提取该数据项的数据。

6.一种PDF报表数据提取装置，其特征在于，所述装置包括：

创建模块，用于根据一PDF文档格式的报表模板创建与该报表模板对应的XML格式模板，其中，XML格式模板包括报表的表头、各个数据项名称，及表头和各个数据项坐标，报表模板中数据项无对应数据；

数据提取模块，用于根据所述XML格式模板中各个数据项坐标，从与所述报表模板相同且存在数据项有数据的目标PDF文档中提取数据项对应的数据；

数据录入模块，用于根据XML格式模板的表头和提取的数据项对应的数据形成XML格式的报表；

所述创建模块具体用于：

对所述PDF文档中的第一页面树Pages Root进行检索，以获取第一页面字典；

对所述第一页面字典进行检索，以获取第一页面字典中的第一Contents字典项；

对所述第一Contents字典项进行检索，以获取所述第一Contents字典项中的第一内容流；

根据所述第一内容流中的内容信息和坐标信息创建XML格式的报表模板，其中所述内容信息包括报表的表头、各个数据项名称，所述坐标信息包括表头和各个数据项坐标。