[发明专利]PDF不完整框线表格提取方法、装置、设备及存储介质

权利要求书

1.一种PDF不完整框线表格处理方法，其特征在于，包括：

S1、对PDF页面进行解析，解析出所述PDF页面的元素；

S2、判断解析出的元素中是否至少包含水平线段元素和/或垂直线段元素，至少基于所述水平线段元素的特征判断所述PDF页面中是否包含表格；

S3、如果所述PDF页面中包含表格，至少基于所述垂直线段元素的特征判断所述表格为完整框线表格或者不完整框线表格；

S4、如果所述表格为不完整框线表格，则获取所述PDF页面中的所有文本块以及每个文本块的位置信息，至少基于每个所述文本块的位置信息获取所述PDF页面中的初步表格区域；

S5、基于所述水平线段元素和/或垂直线段元素，对所述初步表格区域进行修正，获得修正表格区域；

步骤S3中，至少基于所述垂直线段元素的特征判断所述表格为完整框线表格或者不完整框线表格，包括：判断所述PDF页面中是否存在垂直线段元素，如果存在垂直线段元素，则将垂直线段元素的数量与阈值数量进行比较，如果垂直线段元素的数量小于等于阈值数量，则判定所述表格为不完整框线表格，如果垂直线段元素的数量大于阈值数量且不存在左侧最外侧垂直线段元素和/或右侧最外侧垂直线段元素，则判定所述表格为不完整框线表格；其中，是否存在左侧最外侧垂直线段元素和/或右侧最外侧垂直线段元素，通过以下方法判断：将垂直线段元素的位置信息与水平线段元素的位置信息进行比较，判断是否存在左侧最外侧垂直线段元素和/或右侧最外侧垂直线段元素；

所述PDF不完整框线表格处理方法还包括：

S6、至少基于所述修正表格区域内的文本块的位置信息，识别出所述修正表格区域的行、列以及单元格；

S7、对所述修正表格区域中的单元格进行空白单元格处理：

S71、第一列空白单元格合并：从下到上遍历第一列单元格，若单元格为非空单元格，判断其上下是否有相同数量的空白单元格，若有，则将该非空单元格与上下相同数量的空白单元格合并为一个单元格；

S72、第一列所有单元格遍历结束后，若第一列仍存在空白单元格，则将其与其上的相邻单元格合并；

S73、将第一列第一个单元格所在的行作为表格头部，从下到上、从左到右遍历所述表格头部中包含的单元格，若所述表格头部中的所有单元格均为非空单元格，则判断所述表格头部的每个非空单元格的上下是否有相同数量的空白单元格，若有，则将该非空单元格与上下相同数量的空白单元格合并为一个单元格，若无，则判断每个非空单元格的左右是否有相同数量的空白单元格，若有，则将该非空单元格与左右相同数量的空白单元格合并为一个单元格；

S74、将所述修正表格区域的非表格头部区域作为表格内容区域，不对所述表格内容区域的空白单元格进行合并。

2.根据权利要求1所述的PDF不完整框线表格处理方法，其特征在于，步骤S2中，至少基于所述水平线段元素的特征判断所述PDF页面中是否包含表格，包括：

判断所述PDF页面中是否存在水平线段元素，如果存在水平线段元素，则将水平线段元素的数量与阈值数量进行比较，如果大于阈值数量，则判断每个水平线段元素的长度是否相同，如果相同，则判定所述PDF页面中包含表格。

3.根据权利要求2所述的PDF不完整框线表格处理方法，其特征在于，所述阈值数量为2。

4.根据权利要求1至3中任一项所述的PDF不完整框线表格处理方法，其特征在于，PDF页面中的所述元素包括字符元素、线段元素和/或图像元素。

5.根据权利要求1至3中任一项所述的PDF不完整框线表格处理方法，其特征在于，所述水平线段元素的特征包括数量特征、长度特征和/或位置特征。

6.根据权利要求1至3中任一项所述的PDF不完整框线表格处理方法，其特征在于，所述垂直线段元素的特征包括数量特征、长度特征和/或位置特征。