[发明专利]表格识别方法、装置、计算机设备和存储介质

说明书

本申请涉及一种表格识别方法、装置、计算机设备和存储介质。所述方法包括：获取文档格式为PDF格式的目标文档；通过预训练的表格定位模型，确定所述目标文档中的表格内容所在的表格区域；从所述目标文档中裁剪出处于所述表格区域内的表格内容，并依据所述表格内容生成相应的表格图片；对所述表格图片进行图像识别，确定所述表格图片中的字符、及所述字符的位置信息；根据所述字符和所述位置信息，按预设格式生成相应的表格文件。采用基于图像检测技术的本方法能够从PDF文档中准确地提取出表格数据。

技术领域

本申请涉及图像识别技术领域，特别是涉及一种表格识别方法、装置、计算机设备和存储介质。

背景技术

随着计算机技术的发展，越来越多的文档格式被开发出来并被广泛使用着，比如PDF(Portable Document Format，便携式文档格式)格式的文档。其中，PDF是一种被广泛使用的电子文档格式。现在越来越多的专业资料、电子图书、产品说明和电子邮件等在开始使用PDF格式的文档。

PDF格式的文档是一种不可直接编辑的文档，很多专业数据都是以PDF文件的形式展示。当涉及到表格数据时，通常是提前将表格转换成图片，再将表格图片嵌入PDF文档中。PDF文档对表格数据也没有特殊的定义，而只是线条与文字的位置组合。这样使得从PDF文档中提取出表格数据变得很困难。

发明内容

基于此，有必要针对上述技术问题，提供一种能够便捷地识别PDF文档中表格的表格识别方法、装置、计算机设备和存储介质。

一种表格识别方法，所述方法包括：

获取文档格式为PDF格式的目标文档；

通过预训练的表格定位模型，确定所述目标文档中的表格内容所在的表格区域；

从所述目标文档中裁剪出处于所述表格区域内的表格内容，并依据所述表格内容生成相应的表格图片；

对所述表格图片进行图像识别，确定所述表格图片中的字符、及所述字符的位置信息；

根据所述字符和所述位置信息，按预设格式生成相应的表格文件。

一种表格识别装置，所述装置包括：

获取模块，用于获取文档格式为PDF格式的目标文档；

确定模块，用于通过预训练的表格定位模型，确定所述目标文档中的表格内容所在的表格区域；

生成模块，用于从所述目标文档中裁剪出处于所述表格区域内的表格内容，并依据所述表格内容生成相应的表格图片；

所述确定模块还用于对所述表格图片进行图像识别，确定所述表格图片中的字符、及所述字符的位置信息；

所述生成模块还用于根据所述字符和所述位置信息，按预设格式生成相应的表格文件。

一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：

获取文档格式为PDF格式的目标文档；

通过预训练的表格定位模型，确定所述目标文档中的表格内容所在的表格区域；

从所述目标文档中裁剪出处于所述表格区域内的表格内容，并依据所述表格内容生成相应的表格图片；

对所述表格图片进行图像识别，确定所述表格图片中的字符、及所述字符的位置信息；

根据所述字符和所述位置信息，按预设格式生成相应的表格文件。

一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：

获取文档格式为PDF格式的目标文档；