[发明专利]一种PDF文件信息抽取方法、装置以及计算机设备

权利要求书

1.一种PDF文件信息抽取方法，其特征在于，包括：

获取待抽取PDF文件，提取所述待抽取PDF文件中的字符和线条；

根据提取的各所述线条的坐标位置以及各所述线条之间的位置关系，抽取所述待抽取PDF文件中的最简表格，所述最简表格为所有线条均为两两相连的最外围表格；

根据所述最简表格的表格线条确定所述最简表格的单元格，递归循环抽取各所述单元格内部嵌套的最简表格；

根据各所述最简表格的表格线条的坐标位置以及提取的各所述字符的坐标位置，从所述字符中抽取得到各所述最简表格的表格字符。

2.根据权利要求1所述的PDF文件信息抽取方法，其特征在于：所述根据提取的各所述线条的坐标位置以及各所述线条之间的位置关系，抽取所述待抽取PDF文件中的最简表格，包括：

从当前所有线条中，根据各线条的坐标位置查找处于最高位置的第一横线；

根据查找到的所述第一横线以及各所述线条之间的位置关系，查找与所述第一横线相交的所有目的竖线；

根据查找到的所有目的竖线以及各所述线条之间的位置关系，查找与所有目的竖线都相交的所有第二横线，根据当前查找到的所述第一横线、所有的所述第二横线以及所有目的竖线抽取得到所述最简表格；

将抽取出的所述最简表格所对应的线条删除，重新对当前剩余线条执行上述抽取所述最简表格的步骤，以抽取出待抽取PDF文件中剩余的最简表格。

3.根据权利要求1所述的PDF文件信息抽取方法，其特征在于：所述获取待抽取PDF文件，提取所述待抽取PDF文件中的字符和线条，包括：

提取所述待抽取PDF文件中的字符、线条以及长宽比大于预设阈值的矩形；

将所述矩形转换为一条垂线或横线加入到所述线条中，并连接断开的线条以及移除孤立的线条。

4.根据权利要求1所述的PDF文件信息抽取方法，其特征在于：根据所述最简表格的表格线条确定所述最简表格的单元格，递归循环抽取各所述单元格内部嵌套的最简表格，包括：

根据所述最简表格的位置坐标，确定出所述最简表格的附属线条，所述附属线条为长度范围在所述最简表格内部的线条；

遍历所述最简表格中的各单元格，根据各所述单元格与所述附属线条之间的坐标位置关系，查找出内部有所述附属线条的所有目的单元格；对每个目的单元格执行以下步骤：对当前目的单元格执行一次最简表格的抽取，以抽取出所述目的单元格内部嵌套的一个最简表格，对当前抽取出的最简表格，返回所述遍历所述最简表格中各单元格的步骤以执行最简表格的递归循环抽取，直至所有的所述最简表格中均不存在内部有附属线条的目的单元格。

5.根据权利要求1所述的PDF文件信息抽取方法，其特征在于：所述根据各所述最简表格的表格线条的坐标位置以及提取的各所述字符的坐标位置，从所述字符中抽取得到各所述最简表格的表格字符，包括：根据所述最简表格的所有线条中最大的线条x1值、最小的线条y0值、最大的线条y1值确定当前最简表格的坐标范围，将提取的所有字符的坐标与当前确定的坐标范围进行比对，确定出属于当前最简表格的字符，所述线条x1值为线条最右端距离当前页面最左端的距离，所述线条y0值为线条最下端距离当前页面最下端的距离，所述线条y1值为线条最上端距离当前页面最下端的距离。

6.根据权利要求1～5中任意一项所述的PDF文件信息抽取方法，其特征在于：所述方法还包括段落文本提取步骤，所述段落文本提取步骤包括：

根据当前页面中各字符的位置信息，确定当前页面的边界；

将提取的字符中非表格字符根据字符位置信息按行分组，并对所有行进行排序，得到分组排序后的字符组合；

根据相邻行之间的关系以及各行与所述当前页面的边界之间的关系将所述分组排序后的字符组合成段落。