[发明专利]一种从PDF文档中提取表格信息的方法及系统

权利要求书

1.一种从PDF文档中提取表格信息的方法，其特征在于，包括以下步骤：

S1，截取PDF格式文档中的表格部分的图像，生成为新PDF文档，为新PDF文档添加可直接修改的文字层；

S2，分析新PDF文档中的表格图片，识别出表格图片中被隐藏的内部框线，划线补充内部框线，得到具有完整框线的表格图片；

S3，识别拥有完整框线的表格图片，获取表格文字信息的同时保留表格图片的完整框线，将表格图片中的文字信息和框线信息转为电子表格文件。

2.根据权利要求1所述的一种从PDF文档中提取表格信息的方法，其特征在于，步骤S1包括以下步骤：

S11，获取PDF格式文档；

S12，截取PDF文档中的表格并保存为图片，然后对图片进行便于OCR识别的处理；

S13，生成为新PDF文档，利用OCR技术识别图片中的文字，为新PDF文档添加可直接修改的文字层。

3.根据权利要求2所述的一种从PDF文档中提取表格信息的方法，其特征在于，步骤S12中，对图片进行锐化处理和/或规则裁切处理。

4.根据权利要求1所述的一种从PDF文档中提取表格信息的方法，其特征在于，步骤S2包括以下步骤：

S21，将图片转换为灰度图；

S22，通过二值化处理将灰度图转换为二值图；

S23，将二值化处理后的图片转换为只含有0和/或1元素的二维矩阵；

S24，分析二维矩阵中行和列的元素，和/或，结合表格信息排布特点，找出表格中被隐藏的框线在二维矩阵中的行数与列数，绘制出被隐藏的框线，对修改后的二维矩阵进行转换，得到具有完整框线的表格图片。

5.根据权利要求4所述的一种从PDF文档中提取表格信息的方法，其特征在于，步骤S21中，将图片转换为256阶灰度图。

6.根据权利要求5所述的一种从PDF文档中提取表格信息的方法，其特征在于，步骤S22包括以下步骤：

S221，设置中间值128；

S222，遍历图片中的每个像素，若某像素的灰度大于128则将该像素的元素赋值为256，反之则赋值为0。

7.根据权利要求4所述的一种从PDF文档中提取表格信息的方法，其特征在于，步骤S24包括以下步骤：

S241,对二维矩阵依次竖直向划横线，根据横线上的元素特征，判断出隐藏的行框线，具体判断方法如下：

若某一横线的所有的元素全为1，则视该横线非行框线，对该横线做舍弃处理；

若连续大于等于二条横线的所有的元素全为0，则视这些横线所在区域即为两行数据的分界处，选取其中一条横线作为行框线，对其余横线做舍弃处理；

若某一横线上最靠右一组的元素全为0，最靠左一组的元素全为1，则视该横线非行框线，对该横线做舍弃处理；

S242，绘制出被隐藏的框线，对修改后的二维矩阵进行转换，得到具有完整框线的表格图片。

8.根据权利要求1所述的一种从PDF文档中提取表格信息的方法，其特征在于，所述步骤S3包括：

S31，利用OCR技术识别出带有完整框线的表格的文字信息和框线信息；

S32，通过数据导出的方式，将OCR识别结果导出为电子表格文件。

9.根据权利要求1所述的一种从PDF文档中提取表格信息的方法，其特征在于，还包括以下步骤：

S4，采用关系型数据库对步骤S3得到的电子表格文件进行存储和管理，为电子表格文件设置相匹配的主键。

10.一种从PDF文档中提取表格信息的系统，其特征在于，包括以下模块：

新PDF文档生成模块：用以截取PDF格式文档中的表格部分的图像，生成为新PDF文档，为新PDF文档添加可直接修改的文字层；

完整框线表格图片获取模块：用以分析新PDF文档中的表格图片，识别出表格图片中被隐藏的内部框线，划线补充内部框线，得到具有完整框线的表格图片；

表格信息识别模块：用以识别拥有完整框线的表格图片，获取表格文字信息的同时保留表格图片的完整框线，将表格图片中的文字信息和框线信息转为电子表格文件。