[发明专利]表格数据的获取方法、装置和服务器

说明书

本说明书提供了一种表格数据的获取方法、装置和服务器。其中，方法包括：获取待处理文本的图像数据；从图像数据中提取组合图，组合图为包含有交叉的形态学竖线和形态学横线的图形；将组合图分割成多个矩形单元；对矩形单元分别进行光学字符识别，确定矩形单元的文本信息；根据矩形单元的位置坐标，组合包含有文本信息的矩形单元，得到表格数据。在本说明书实施例中，先通过获取并根据图像数据中的形态学竖线和形态学横线等图形特征得到组合图；再将组合图分割成多个矩形单元分别进行光学字符识别，得到矩形单元的文本信息，并根据位置坐标进行组合还原得到表格数据，从而解决了现有方法中存在的提取表格数据误差大、不准确的技术问题。

技术领域

本说明书属于互联网技术领域，尤其涉及一种表格数据的获取方法、装置和服务器。

背景技术

在生活、工作中常常会涉及到这样一类文本数据(例如，合同文件)除了包含有单独的文本字符(例如单纯的文字符号)外，还会包含有表格数据(例如，关于价格的统计列表)，且这类表格数据在某些场景中还具有较高的信息价值，包含有人们较为关注的信息内容。

现有的数据获取方法往往是直接对包含有文本数据的扫描图片等图像数据进行光学字符识别，以识别并提取出图像数据中的文本信息，得到对应文本的电子档数据。

基于现有的数据获取方法，在对图像数据中单独的文本字符进行识别提取时，具有相对较好的效果。但是，文本数据中的表格数据区别于上述单独的文本字符，除了包含有文本字符所携带的文本信息外，还具有一定的图形特征，例如，包含有分隔线、分隔框等。相对于单独的文本字符，表格数据的结构更为复杂，识别起来更为困难。导致通过现有的数据获取方法在识别图像数据中的表格数据时，很容易出现误差。例如，会将表格中的分隔栏错误识别成了数字。或者，对表格中N行M列中的文本字符的识别出现错位等等。因此，亟需一种能够精确识别，并完整恢复得到图像数据中的表格数据的方法。

发明内容

本说明书目的在于提供一种表格数据的获取方法、装置和服务器，以解决现有方法中存在的提取表格数据误差大、不准确的技术问题，达到能够高效、精确地识别，并完整还原得到图像数据中的表格内容。

本说明书提供的一种表格数据的获取方法、装置和服务器是这样实现的：

一种表格数据的获取方法，包括：获取待处理文本的图像数据；从所述图像数据中提取组合图，其中，所述组合图为包含有交叉的形态学竖线和形态学横线的图形；将所述组合图分割成多个矩形单元，其中，所述多个矩形单元分别携带有位置坐标；对所述多个矩形单元分别进行光学字符识别，确定所述多个矩形单元分别包含的文本信息；根据矩形单元的位置坐标，组合包含有文本信息的矩形单元，得到表格数据。

一种表格数据的获取装置，包括：获取模块，用于获取待处理文本的图像数据；提取模块，用于从所述图像数据中提取组合图，其中，所述组合图为包含有交叉的形态学竖线和形态学横线的图形；分割模块，用于将所述组合图分割成多个矩形单元，其中，所述多个矩形单元分别携带有位置坐标；识别模块，用于对所述多个矩形单元分别进行光学字符识别，确定所述多个矩形单元分别包含的文本信息；组合模块，用于根据矩形单元的位置坐标，组合包含有文本信息的矩形单元，得到表格数据。

一种服务器，包括处理器以及用于存储处理器可执行指令的存储器，所述处理器执行所述指令时实现获取待处理文本的图像数据；从所述图像数据中提取组合图，其中，所述组合图为包含有交叉的形态学竖线和形态学横线的图形；将所述组合图分割成多个矩形单元，其中，所述多个矩形单元分别携带有位置坐标；对所述多个矩形单元分别进行光学字符识别，确定所述多个矩形单元分别包含的文本信息；根据矩形单元的位置坐标，组合包含有文本信息的矩形单元，得到表格数据。