[发明专利]一种缺失外边框的表格数据提取方法、装置和存储介质

说明书

本发明提供了一种缺失外边框的表格数据提取方法，包括：获取缺失外边框的表格；基于该表格中已有的表格线，确定该待补充外边框的纵向范围和横向访问，并基于该确定横向范围和纵向访问，补充该表格中缺失的外边框，得到具有完整外边框的表格，进而基于该具有完整外边框的表格提取其中的数据。采用本方案，既能合理的补齐缺失的外边框，又能利用上原有的线条信息，从而保证了提取的准确率。

技术领域

本发明涉及技术领域，更具体的说，是涉及一种缺失外边框的表格数据提取方法、装置和存储介质。

背景技术

PDF文档作为一种常用的文档，具体应用时，可能需要将PDF文档中涉及的表格数据应用于各个领域，如在金融领域，企业权威信息通过PDF格式发布，如上市招股书、季度报、年报、半年报等。

通过缺失外边框的表格提取技术，可以更加完整地提取到企业的信息，快速地将机器不可读的PDF文件转换为格式化信息；从而为后续处理打下基础，如“key-value”识别、图谱建设、数据库建设、舆情分析、买卖建议等等。

而该PDF表格提取的过程，将其提取为格式化的列表信息，以Json、csv或其他格式化形式存储，实现了讲该PDF文档中的表格数据，抽取为结构化信息，在该结构化的基础上，才能够应用于上述的领域中。

如图1所示的为现有技术中对于外边框缺失表格添加外边框的示意图，仅仅缺失外边框的表格，由于其内边框仍然存在，所以可以通过内边框，获取到其最左、最右、最高、最低线的信息，从而加以补充，获取页面上的所有横线信息，聚合横线的左顶点，补充一条竖线，穿过最左边的所有顶点，其中(a)为添加外边框之前的表格，(b)为添加外边框之后的表格。

但是，如图1所示现有技术中添加外边框的方案，在表格比较多的情况下，很容易些出现误连接的问题，将不同的表格作为同一个表格，并连接在一起，其中(a)为添加外边框之前的表格，(b)为添加外边框之后的表格，该添加的左侧的外边框，将两个表格作为一个表格误连接在一起。

所以，亟需一种能够之前准确对于PDF文档中缺失外边框的表格数据提取方法。

发明内容

有鉴于此，本发明提供了一种缺失外边框的表格数据提取方法，以克服现有技术中不能准确对于PDF文档中缺失外边框的表格数据进行提取的问题。

为实现上述目的，本发明提供如下技术方案：

一种缺失外边框的表格数据提取方法，包括：

获取缺失外边框的表格；

基于所述表格中已有表格线，确定待补充外边框的纵向范围和横向范围；

依据所述待补充外边框的纵向范围和横向范围，补充所述表格中缺失的外边框，得到具有完整外边框的表格；

提取所述具有完整外边框的表格中数据。

本发明实施例还提供了一种缺失外边框的表格数据提取装置，包括：

获取模块，用于获取缺失外边框的表格；

分析模块，用于基于所述表格中已有表格线，确定待补充外边框的纵向范围和横向范围；依据所述待补充外边框的纵向范围和横向范围，补充所述表格中缺失的外边框，得到具有完整外边框的表格；

提取模块，用于提取所述具有完整外边框的表格中数据。

经由上述的技术方案可知，与现有技术相比，本发明提供了一种缺失外边框的表格数据提取方法，包括：获取缺失外边框的表格；基于该表格中已有的表格线，确定该待补充外边框的纵向范围和横向访问，并基于该确定横向范围和纵向访问，补充该表格中缺失的外边框，得到具有完整外边框的表格，进而基于该具有完整外边框的表格提取其中的数据。采用本方案，既能合理的补齐缺失的外边框，又能利用上原有的线条信息，从而保证了提取的准确率。