[发明专利]PDF文字提取方法、装置、计算机设备和存储介质

权利要求书

1.一种PDF文字提取方法，所述方法包括：

获取PDF文字提取请求；

根据所述PDF文字提取请求，在PDF文档中确定数据区域的范围；

对所述数据区域进行列切割以及行切割；

根据所述列切割以及行切割的结果，将所述数据区域分割成多个单元格；

分别提取所述多个单元格中的文字。

2.根据权利要求1所述的PDF文字提取方法，其特征在于，所述根据所述PDF文字提取请求，在PDF文档中确定数据区域的范围的步骤包括：

根据所述PDF文字提取请求，获取开始关键字和结束关键字；

根据PDF协议在PDF文档中检索所述开始关键字和结束关键字的坐标位置；

根据所述开始关键字和结束关键字的坐标位置确定矩形范围，所述矩形范围作为所述数据区域的范围。

3.根据权利要求1所述的PDF文字提取方法，其特征在于，所述对所述数据区域进行列切割以及行切割的步骤包括：

根据所述数据区域的数据特征，在水平线上进行列分割打点；

记录每个打点之间的间隔，对所述数据区域进行列分割；

获取行关键字，在所述数据区域内检索所述行关键字；

根据所述行关键字的坐标位置计算出每行数据的高度，对所述数据区域进行行分割。

4.根据权利要求1-3任一项所述的PDF文字提取方法，其特征在于，在所述根据所述列切割以及行切割的结果，将所述数据区域分割成多个单元格的步骤之后还包括：

计算所述多个单元格的坐标、宽度和高度；

根据所述多个单元格的坐标、宽度和高度，分别对所述多个单元格中的文字进行提取归档。

5.一种PDF文字提取装置，其特征在于，所述装置包括：

获取模块，所述获取模块用于获取PDF文字提取请求；

区域确定模块，所述区域确定模块用于根据所述PDF文字提取请求，在PDF文档中确定数据区域的范围；

切割模块，所述切割模块用于对所述数据区域进行列切割以及行切割；

分割模块，所述分割模块用于根据所述列切割以及行切割的结果，将所述数据区域分割成多个单元格；

提取模块，所述提取模块用于分别提取所述多个单元格中的文字。

6.根据权利要求5所述的PDF文字提取装置，其特征在于，所述区域确定模块还用于：

根据所述PDF文字提取请求，获取开始关键字和结束关键字；

根据PDF协议在PDF文档中检索所述开始关键字和结束关键字的坐标位置；

根据所述开始关键字和结束关键字的坐标位置确定矩形范围，所述矩形范围作为所述数据区域的范围。

7.根据权利要求5所述的PDF文字提取装置，其特征在于，所述切割模块还用于：

根据所述数据区域的数据特征，在水平线上进行列分割打点；

记录每个打点之间的间隔，对所述数据区域进行列分割；

获取行关键字，在所述数据区域内检索所述行关键字；

根据所述行关键字的坐标位置计算出每行数据的高度，对所述数据区域进行行分割。

8.根据权利要求5-7任一项所述的PDF文字提取装置，其特征在于，所述装置还包括：

计算模块，所述计算模块用于计算所述多个单元格的坐标、宽度和高度；

所述提取模块还用于根据所述多个单元格的坐标、宽度和高度，分别对所述多个单元格中的文字进行提取归档。

9.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至4中任一项所述方法的步骤。

10.一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，所述计算机程序被处理器执行时实现权利要求1至4中任一项所述的方法的步骤。