[发明专利]PDF文件中的表格解析方法及装置、计算设备、存储介质

说明书

一种PDF文件中的表格解析方法及装置、计算设备、存储介质，所述PDF文件中的表格解析方法包括：将待识别PDF文件转换成对应的文本文件；根据所述文本文件的转换信息确定表格的位置；基于预设的目标关键词以及所述表格的位置，从所述表格中的文本内容提取与所述目标关键词对应的目标内容；至少输出所述目标内容。上述方案，能够提高从PDF文件中解析表格内容的准确度。

技术领域

本发明实施例涉及计算机信息识别处理领域，尤其涉及一种PDF文件中的表格解析方法及装置、计算设备、存储介质。

背景技术

便携式文档格式(Portable Document Format，PDF)是一种目前国际通用的电子文档开放标准。表格作为PDF电子文档内容的重要组成部分，使用频率非常高，但是PDF表格只是基于视觉的，在PDF文档格式中并不存在表格格式，只是一团团文字和一些穿插其中的图像线。这种表格又叫做文字流表格，对于它的识别称为基于文字流的表格识别。

现在市场上已有一些在线PDF解析，现有的在线PDF解析系统分为全自动PDF解析系统以及半自动PDF解析系统。现有的在线PDF解析系统首先都是解析一个PDF文档，从PDF内容流中分离出文字流、图像等原始信息。根据文字流节点解析出表格所在区域。对表格的区域进行结构化。

然而，现有的表格解析时，根据文字流节点解析出表格所在区域以及对表格的区域进行结构化。易出现无法正确进行表格结构化以及结构化后的表格格式错乱等现象，从而导致PDF中表格的解析准确度较低。

发明内容

本发明实施例解决的技术问题是PDF中表格的解析准确度较低。

为解决上述技术问题，本发明实施例提供一种PDF文件中的表格解析方法，包括：将待识别PDF文件转换成对应的文本文件；根据所述文本文件的转换信息确定表格的位置；基于预设的目标关键词以及所述表格的位置，从所述表格中的文本内容提取与所述目标关键词对应的目标内容；至少输出所述目标内容。

可选的，所述转换信息包括如下至少一种：段落信息、字体、字号、行间距、文字的横纵坐标。

可选的，所述根据所述文本文件的转换信息确定表格的位置，包括：基于表格标题关键词，确定所述表格标题关键词的位置；获取所述表格标题关键词的上下文中包括换行符的文字流；基于所述包括换行符的文字流，确定所述表格的位置。

可选的，在将待识别PDF文件转换成对应的文本文件之后，还包括以下至少一种：根据所述文本文件的转换信息确定表格每行文本位置；根据所述本文文件的转换信息确定表格中横线及竖线的位置。

可选的，所述基于预设的目标关键词以及所述表格的位置，从所述表格中的文本内容提取与所述目标关键词对应的目标内容，包括：基于预设的目标关键词以及所述表格的位置，以及所述表格每行文本位置和所述表格中横线及竖线的位置中的至少一种，在所述表格中的文本内容对所述目标关键词进行定位；基于所述目标关键词的定位结果，确定所述目标关键词对应的配对位置；基于所述目标关键词的配对位置，从所述表格中的文本内容提取所述目标关键词对应的目标内容。

可选的，所述基于预设的目标关键词以及所述表格的位置，从所述表格中的文本内容提取与所述目标关键词对应的目标内容，包括：基于预设的目标关键词以及所述表格的位置，在所述表格中的文本内容对所述目标关键词进行定位；基于所述目标关键词的定位结果，确定所述目标关键词对应的配对位置；基于所述目标关键词的配对位置，从所述表格中的文本内容提取所述目标关键词对应的目标内容。

可选的，所述基于所述目标关键词的定位结果，确定所述目标关键词对应的配对位置，包括：根据所述目标关键词的定位结果，将所述目标关键词所在位置之前的预设第一区域以及所述目标关键词所在位置之后的预设第二区域作为所述目标关键词对应的配对位置。