[发明专利]文档图像中的表格底部有编号附注识别技术

说明书

本发明涉及一种文档图像中的无边框表格解析方法，所述方法包括步骤：获取待识别范围内的所有非页眉页脚的页面元素；根据表格在页面中的位置信息，定位出表格结束后的第一个页面元素并获取相关信息；判断上述页面元素是否为纯文本，是则获取文本内容，否则继续判断后面的页面元素；针对通过上述判断的页面文本，首先进行文本内容预处理，再进行多次正则表达式匹配，并根据匹配结果判断是否为有编号附注；根据上述匹配结果，如果文本符合匹配结果判断标准，则此文本行为潜在的有编号附注起始行，同时根据匹配结果可知是否为无编号底部附注；针对有编号底部附注，获取编号模式后遍历下方的所有文本行，获取有编号附注的结束为止。

技术领域

本发明涉及数据处理技术领域，特别涉及一种文档图像中的表格底部有编号附注识别方法

背景技术

随着电脑的不断普及，无纸化办公得到越来越多的应用，各种各样的文档也大量的出现在用户的面前。

以可移植文档格式(Portable Document Format，PDF)、office文档为例，PDF文件格式以其卓越的特性成为在Internet上进行电子文档发行和格式化信息传播的理想文件格式，在将PDF格式的文档转换office格式的文档时，面临较多的困难。

譬如PDF格式文档中的表象为表格的对象，在其内部是由很多彼此无任何逻辑关系的线条或多边形组成的。在将PDF转换为其他格式的文档，特别转换为office类的文档时，由于PDF没有表格元素，很难跟office类文档兼容，使转换出的文档的排版、及编辑效果都很差。

在将者如PDF格式文档等原文档中的表格转换为其他文档格式的表格时，如何提高转换出的文档的排版及编辑效果，是文档应用领域研究的方向之一。

发明内容

利用预先获取到页面信息，去除页面中的页眉页脚元素；

获取表格结束后的第一个页面元素；

对上述页面元素进行纯文本判断，根据判断结果决定是否需要判断后面的页面元素；

针对上述获取到的纯文本内容，进行必要的预处理；

针对上述预处理后的文本进行多种正则表达式匹配；

根据上述匹配结果，判断目标文本是否为有编号附注起始行或无编号附注，寻找潜在的有编号附注起始行；针对被判断为有编号底部附注的文本，进行编号模式获取；

根据获取到的编号模式，对目标文本后面的文本进行正则表达式匹配，寻找有编号附注结束位置

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图做简单的介绍，应当理解，以下附图仅展示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图

图1为需要跳过的页面元素情况例图

图2为A3正则表达式匹配内容例图

图3为C1正则表达式匹配内容例图

图4为AB1正则表达式匹配内容例图

具体实施方式

利用预先获得页面元素和程序，去除页面元素中为页眉页脚的页面元素