[发明专利]一种PDF等版式文档中识别表格的方法

说明书

本发明公开了一种PDF等版式文档中识别表格的方法，包括以下步骤：在PDF页面渲染过程中，记录页面状态，忽略隐藏线条，记录有效的横向线段和纵向线段；合并近似共线且相交或近似相交的横向线段和纵向线段；找到所有横向线段和纵向线段的交点和两侧端点；划分出多个互不联通的点线区域，将交点不超过4个的点线区域作为无效区域，多个相邻的无效区域作为无连通区域组并确定其单元格；针对交点超过4个的点线区域，得到每个单元格的坐标及边线；将每个单元格组划分为若干个表格行；得到表格整体的行数和列数；根据坐标设置单元格内的内容。本发明识别单元格更准确，不会因文本坐标出现漏识别或错识别，能准确提取单元格的行列特征。

技术领域

本发明涉及电数字数据处理技术领域，尤其涉及一种PDF等版式文档中识别表格的方法。

背景技术

版式文档是版面呈现效果固定的电子文档，与Word(doc、docx)等流式文档相对，其显示效果与软硬件平台独立，在各种设备上阅读、打印时具有较强的一致性。PDF是目前最流行的一种版式文档格式，同类的格式还有OFD、CEB、SEP、EPUB等。

PDF是Portable Document Format的简称，意为“便携式文档格式”。PDF文件格式与操作系统平台无关，它可以忠实地跨平台再现原始文档格式(Docx，Html等文档在不同平台或不同软件中打开显示的样式可能会不同)，所以其被广泛用于制度文档、合同、政府或企业文件等方面。这一特点使它成为在Internet上进行电子文档发行和数字化信息传播的理想文档格式。

PDF中支持显示表格，但和Docx和Html等格式中明确的表格逻辑对象不同的是，PDF中的表格其实是若干条独立的线单独绘制的，表格中的文字通过计算相对页面偏移后，直接绘制到页面给定位置。这样打开一个pdf文件后，经过上面的渲染，我们就可以看到PDF中的表格了。

PDF表格识别任务可以分为两个子任务：表格区域定位和表格内单元格及其内容的提取。

现有的针对表格区域定位问题的方法，主要有：

1.根据垂直和水平线条交叉确定表格；

2.根据机器学习预训练模型识别表格区域；

3.先识别单元格，再根据单元格确定表格。

现有的针对单元格及其内容识别的方法，主要有：

1.按水平垂直线条及其交点确定单元格位置和大小；

2.按文本的水平垂直投影或聚类距离确定单元格坐标。

中国专利申请“CN 111144300 A一种基于图像识别的pdf表格结构识别方法”提出了一种基于神经网络的表格区域定位方法；得到表格区域后，通过OCR方法得到文本块坐标；再训练两个分别用于判断任意两个文本块是否同行或同列的机器学习模型，来得到单元格的行信息和列信息。基于机器学习的表格区域定位方法，其准确率高度依赖于训练数据质量，且针对其他语言的表格可能召回率很低。判断文本块同行或同列的模型，其效果也高度依赖训练数据，不同的语言文本块的宽高比或关系等可能并不一致，这可能导致模型只在训练数据类似的PDF上面表现良好。此外先经过神经网络模型再经过OCR处理流程较长，效率过低。

中国专利申请“CN 105589841 A一种PDF文档表格识别的方法”提取文本作为行文本集合，提取线条作为线集合，通过关键词检索疑似表标题；位置接近的线条集合作为疑似表格线。根据疑似表标题和疑似表格线的存在情况，确定采用区域生长法或者检测全线表和三线表。此方案针对未闭合的表格提取不全(有内框线，无外框线)，较依赖文本特征，如遇到新的特征需要手动维护；且此方法只能识别表格区域和相关的线条文本，无法提取单元格及其相关的跨行跨列等信息。