[发明专利]高效提取PDF中表格数据的方法、系统及计算机可读介质

权利要求书

1.高效提取PDF中表格数据的方法，其特征在于将PDF中的表格数据转换为结构化数据并存储至关系型数据库，所述方法包括如下步骤：

读取PDF，并按页将每个PDF单页转换为图片；

对于每个图片，基于计算机视觉进行表格识别；

对于每个表格，通过文字识别技术识别表格内的数据，得到对应的表格数据；

将表格数据进行标准化处理，并转换为一个二维数组，将二维数组存储于关系型数据库。

2.根据权利要求1所述的高效提取PDF中表格数据的方法，其特征在于所述对于每个图片，基于计算机视觉、通过Opencv进行表格识别。

3.根据权利要求1或2所述的高效提取PDF中表格数据的方法，其特征在于基于计算机视觉进行表格识别，包括如下步骤：

对于每个图片，进行灰度化和二值化处理，得到预处理后图片；

对于每个预处理后图片，通过形态学函数获取表格的分割线；

根据分割线获取到交点并确定单元格；

根据匹配原则过滤掉误识别为表格的数据。

4.根据权利要求1或2所述的高效提取PDF中表格数据的方法，其特征在于对于每个表格，通过文字识别技术、调用Pytesseract工具按行识别每个单元格内的数据。

5.高效提取PDF中表格数据的系统，其特征在于包括：

图片转换模块，所述图片转换模块用于读取PDF，并按页将每个PDF单页转换为图片；

图片识别模块，所述图片识别模块用于基于计算机视觉对每个图片进行表格识别；

数据提取模块，所述数据提取模块用于通过文字识别技术识别每个表格内的数据，得到对应的表格数据；

数据存储模块，所述数据存储模块用于将表格数据进行标准化处理，并转换为一个二维数组，将二维数组存储于关系型数据库。

6.根据权利要求5所述的高效提取PDF中表格数据的系统，其特征在于所述图片识别模块用于基于计算机视觉、通过Opencv进行表格识别。

7.根据权利要求5或6所述的高效提取PDF中表格数据的系统，其特征在于所述数据提取模块用于通过如下步骤基于计算机视觉进行表格识别：

对于每个图片，进行灰度化和二值化处理，得到预处理后图片；

对于每个预处理后图片，通过形态学函数获取表格的分割线；

根据分割线获取到交点并确定单元格；

根据匹配原则过滤掉误识别为表格的数据。

8.根据权利要求5或6所述的高效提取PDF中表格数据的系统，其特征在于所述数据提取模块用于通过文字识别技术、调用Pytesseract工具按行识别每个单元格内的数据。

9.装置，其特征在于，包括：至少一个存储器和至少一个处理器；

所述至少一个存储器，用于存储机器可读程序；

所述至少一个处理器，用于调用所述机器可读程序，执行权利要求1至8中任一所述的方法。

10.计算机可读介质，其特征在于，所述计算机可读介质上存储有计算机指令，所述计算机指令在被处理器执行时，使所述处理器执行权利要求1至8任一所述的方法。