[发明专利]PDF报表数据提取方法及装置

说明书

本申请提供了一种PDF报表数据提取方法及装置，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。通过XML格式模板提取PDF文档格式的报表数据，便于对报表数据进行统计，极大的提高了报表的可识别性和灵活性。

技术领域

本申请涉及数据提取领域，具体而言，涉及一种PDF报表数据提取方法及装置。

背景技术

PDF格式具有很强的安全性，保证了PDF文档不能被编辑，至少不能被轻易修改，对PDF文件内的小部分变动可能问题不大，但对PDF文档中的整块文字或影像的修改就相当困难，即便使用编辑工具，也无法避开这类限制。并且PDF格式的文档可通过设置权限，限制用户的内容打印、内容复制甚至是评论或批注的添加、修改或删除，而其他格式则很容易地被修改或编辑。

鉴于以上安全性保障，各大公司的财务报表都是以PDF格式形式进行发布，能够避免数据被肆意篡改的风险。PDF虽然带来了安全性、传输可靠性上的保证，但对于财务报表数据的统计也带来了许多不便，因此，从PDF中提取报表数据信息的需求也就应运而生。

发明内容

为了解决上述问题，本申请实施例提供一种PDF报表数据提取方法及装置。

第一方面，本申请实施例提供一种PDF报表数据提取方法，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。

可选地，在本实施例中，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。

可选地，在本实施例中，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。

可选地，在本实施例中，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；