[发明专利]表格数据提取方法、装置、计算机设备和存储介质

说明书

本申请涉及一种基于人工智能中自然语言处理技术的表格数据提取方法、装置、计算机设备和存储介质。所述方法包括：获取第一方向边框缺失表格；获取所述第一方向边框缺失表格中的关键字；通过预设语言模型，识别不同表格单元中所述关键字的主从关系，所述预设语言模型用于识别关键字属于同一语句的概率；根据所述主从关系补充所述第一方向边框缺失表格中的第一方向边框；识别并提取所述补充后的表格内的表格数据。本申请中，通过预设语言模型，来识别第一方向边框缺失表格中关键字的主从关系，而后基于确定的主从关系来补充第一方向边框，进而进行表格数据的提取，具备更高的数据提取准确率。

技术领域

本申请涉及计算机技术领域，特别是涉及一种表格数据提取方法、装置、计算机设备和存储介质。

背景技术

PDF(Portable Document Format)即便携式文档格式，由AdobeSystems用于进行文件交换所开发出的文件格式，其与应用程序、操作系统及其他硬件均无交互关系。PDF文档以PostScript语言图像模型为基础，保证PDF文档在任何一台打印机上都可具有精确的颜色和准确的打印效果，即PDF会如实地再现PDF文档中的每一个字符、颜色以及图像等内容。随着计算机及互联网技术的快速发展，PDF文档越来越广泛地用在经济、金融、教育、科研及学术等各种领域。由于PDF设计目的只是为了展示文档或用于打印文档，而没有与其他计算机程序进行通讯与交互的功能。因此，PDF文档中所包含的大量数据，特别其中包含的表格数据，难以被其他计算机程序直接使用。

目前对于PDF文档内部的表格数据，可以通过PDF表格抽取的方式来进行信息提取，PDF表格抽取即将PDF文档中的表格数据，抽取为结构化信息。然而在PDF表格内存在边框缺失时，则不能组成表格，从而无法抽取完整的表格数据。

此时，为了提取PDF表格内的完整数据，会采用文本位置聚类法来进行，此时会完全丢弃边框信息，转而使用文字本身的位置信息，如一般表格中同一列的文本会左对齐、右对齐或居中对齐，根据这些对齐信息通过某些算法猜测某些文字可能属于某一列，从而抽取表格信息。然而这种方法类似于将信息提取问题转化为无边框表格抽取，表格数据的提取准确率较低。

发明内容

基于此，有必要针对上述技术问题，提供一种能够提高边框缺失环境下的PDF表格数据提取准确率的表格数据提取方法、装置、计算机设备和存储介质。

一种表格数据提取方法，所述方法包括：

获取第一方向边框缺失表格；

获取所述第一方向边框缺失表格中的关键字；

通过预设语言模型，识别不同表格单元中所述关键字的主从关系，所述预设语言模型用于识别关键字属于同一语句的概率，所述不同表格单元为表格中沿第二方向的表格单元，所述第一方向为表格列方向，所述第二方向为表格行方向，或所述第一方向为表格行方向，所述第二方向为表格列方向；

根据所述主从关系补充所述第一方向边框缺失表格中的第一方向边框；

识别并提取所述补充后的表格内的表格数据。

一种表格数据提取装置，所述装置包括：

表格获取模块，用于获取第一方向边框缺失表格；

关键字获取模块，用于获取所述第一方向边框缺失表格中的关键字；

主从关系识别模块，用于通过预设语言模型，识别不同表格单元中所述关键字的主从关系，所述预设语言模型用于识别关键字属于同一语句的概率；

边框补充模块，用于通过预设语言模型，识别不同表格单元中所述关键字的主从关系，所述预设语言模型用于识别关键字属于同一语句的概率，所述不同表格单元为表格中沿第二方向的表格单元，所述第一方向为表格列方向，所述第二方向为表格行方向，或所述第一方向为表格行方向，所述第二方向为表格列方向；