[发明专利]一种文档识别的方法、设备和存储介质

说明书

本发明公开了一种文档识别的方法、设备和存储介质。该方法包括：接收第一文档，第一文档中具有页面；从页面提取具有目标元素的区域，目标元素包括第一表格；检测区域中的交叉点，交叉点为至少两条线段相交的位置；在区域中定位以交叉点组成的子区域，子区域用于表示第一表格中的单元格；识别位于子区域中的字符；生成与第一表格相同的第二表格；将字符写入第二表格中。通过该方法实现了通过单元格重构第一文档中的Excel表格，尤其是异形的Excel表格的有益效果。

技术领域

本发明实施例涉及文字识别技术，尤其涉及一种文档识别的方法、设备和存储介质。

背景技术

根据版式文档的生成过程，文档是数据和结构的集合，具体包括内容数据、物理结构和逻辑结构。文档分析是对文档物理结构进行抽取，而文档理解则是在物理结构和逻辑结构之间建立映射关系。在实际应用中，移动设备的可读性需求使物理和逻辑结构的恢复尤为重要。页面内表格的检测及识别是文档理解的重点之一。表格具有其独立的逻辑功能，需要对其进行物理划分和逻辑标签标定。固定版式文档中的表格对象可能由无数的文本图元和操作构成，也可能整体来自一个图像图元。

表格是文档的重要组成部分，如何准确地识别表格及其表格中的内容，对版式文档的分析尤其重要。现有技术中有一些识别并转换版式文档中表格的方法，如将PDF(Portable Document Format，便携式文档格式)文档中的表格转换成Exce1表格的方法，先识别PDF文档中的表格所含的文本块的边界位置坐标，根据文本块的边界位置坐标来对PDF文档中表格进行行划分和列划分，得到多个划分区域，确定各个文本块所属的划分区域，将划分好区域的文本块写入对应的Excel表格中。

在这样的处理方式中，要达实现较好的识别效果。需要在PDF文档中的Excel表格线条连贯，单元格的大小比较单一。这就导致了不能实现识别PDF中异形的Excel表格的目的。

发明内容

本发明提供一种文档识别的方法、设备和存储介质，以解决不能实现识别PDF中异形的Excel表格的目的的问题。

第一方面，本发明实施例提供了一种文档识别的方法，包括：

接收第一文档，所述第一文档中具有页面；

从所述页面提取具有目标元素的区域，所述目标元素包括第一表格；

检测所述区域中的交叉点，所述交叉点为至少两条线段相交的位置；

在所述区域中定位以所述交叉点组成的子区域，所述子区域用于表示所述第一表格中的单元格；

识别位于所述子区域中的字符；

生成与所述第一表格相同的第二表格；

将所述字符写入所述第二表格中。

在此基础上，所述从所述页面提取具有目标元素的区域，包括：

确定元素识别模型，所述元素识别模型用于识别目标元素；

将所述页面输入所述元素识别模型中，输出具有所述目标元素的区域。

在此基础上，所述目标元素还包括非表格；

所述从所述页面提取具有目标元素的区域，还包括：

判定连续两个所述区域之间是否存在所述非表格；

若是，则确定所述区域有效；

若否，则合并连续两个所述区域，获得新的区域。

在此基础上，所述检测所述区域中的交叉点，包括：

检测所述区域中的横线与竖线；

延伸所述横线；

延伸所述竖线；