[发明专利]一种从PDF文档中提取表格信息的方法及系统

说明书

本发明公开了一种从PDF文档中提取表格信息的方法及系统，该方法包括以下步骤：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。本发明解决了现有技术存在的提取不具有完整框线的PDF文档或表格图片时准确度差、鲁棒性欠缺，如果中途出现提取错误无法从中间步骤快速干预修复等问题。

技术领域

本发明涉及办公文档信息处理技术领域，具体是一种从PDF文档中提取表格信息的方法及系统。

背景技术

大多数人日常办公处理的文件，表格和文档采用较多，其中表格的重要性毋庸置疑。在各行各业的桌面办公场景中，Excel和WPS是电子表格的事实标准。我们经常遇到这种需求：将一个表格图片的内容导入Excel。以前我们只能对着图片把内容完全人工输入到Excel表格文件中，既低效又容易出错。

近年来，在深度学习的加持下，OCR(Optical Character Recognition，光学字符识别)技术的可用性不断提升，大多数人直接借助OCR软件，从图片中自动提取文本信息。然而对于图片为表格的场景，只是提取文本依然不够，用户还需反复手动复制粘贴以还原出电子表格，这依然耗费大量时间。目前，表格图片的文字识别主要有以下两个思路以及相应的问题：

1、目前在无文字层PDF文本信息提取领域中，其中关于表格数据提取的方法，常用有监督的深度学习算法模型进行端到端的处理，如深度图像分割，边缘检测，纹理提取等方法。较为传统的则是录用OCR(光学识别技术)，根据文本框的空间排布信息推导表格结构；运用图像形态学变换、纹理提取、边缘检测等手段，提取表格线，再由表格线推导行、列、合并单元格的信息；依赖传统图像处理算法，在鲁棒性方面较欠缺，并且对不具有完整框线的PDF文档或表格图片(如缺乏可见线的表格，比较常见的一种类型是高考填报志愿时的以往年份“高校的各个专业的录取信息的表格”)，传统方法很吃力，很难把所有行/列间隙提取出来；

2、神经网络端到端学习，代表工作是TableBank，使用image to text技术，将表格图片转为某种结构化描述语言(比如html定义表格结构的标签)。但本解决方案没有次第，如果中途出现提取错误，无法从中间步骤快速干预修复，只能重新调整模型，看似省事，实则不适合工程落地。

发明内容

为克服现有技术的不足，本发明提供了一种从PDF文档中提取表格信息的方法及系统，解决现有技术存在的提取不具有完整框线的PDF文档或表格图片时准确度差、鲁棒性欠缺，如果中途出现提取错误无法从中间步骤快速干预修复等问题。

本发明解决上述问题所采用的技术方案是：

一种从PDF文档中提取表格信息的方法，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。