[发明专利]PDF文档的解析方法、装置、电子设备及存储介质

权利要求书

1.一种PDF文档的解析方法，其特征在于，包括：

根据PDF文档获取页面对象；

根据页面对象中直线元素的端点坐标确定横坐标集合和纵坐标集合；

根据所述页面对象中字符元素的坐标确定字符串；

根据所述字符串的坐标和所述横坐标集合确定所述字符串的列标识；

根据所述字符串的坐标和所述纵坐标集合确定所述字符串的行标识；

根据所述行标识和所述列标识绘制电子表格。

2.根据权利要求1所述的方法，其特征在于，所述根据所述页面对象中字符元素的坐标确定字符串，包括：

根据纵坐标对目标页面对象中字符元素进行划分，得到多个行分组；

针对每个所述行分组，根据相邻字符之间的间距确定至少一个字符串。

3.根据权利要求2所述的方法，其特征在于，所述根据相邻字符之间的间距确定至少一个字符串，包括：

根据字符元素的左上坐标中横坐标的大小对所述行分组中对多个字符元素进行排序；

在排序结果中，依次获取两个相邻的字符元素的间距；

若所述间距小于预设间距阈值，则确定所述两个相邻的字符元素属于同一字符串。

4.根据权利要求3所述的方法，其特征在于，所述获取两个相邻的字符元素的间距，包括：

计算第二字符元素的左上坐标的横坐标数值与第一字符元素的右下坐标的横坐标数值的差值，将所述差值作为第一字符元素与第二字符元素的间距；其中，所述第一字符元素和所述第二字符元素为两个相邻的字符元素，所述第一字符元素的右下坐标的横坐标数值小于所述第二字符元素的左上坐标的横坐标数值。

5.根据权利要求1所述的方法，其特征在于，所述根据所述字符串的坐标和所述横坐标集合确定所述字符串的列标识，包括：

根据字符串包含的首字符和末字符，获取字符串占用的第一横坐标区间；

根据所述横坐标集合确定相邻的纵向表格线之间的第二横坐标区间；

若所述第一横坐标区间位于所述第二横坐标区间内，则将所述第二横坐标区间对应的列标识作为所述第一横坐标区间表示的所述字符串的列标识；

若第一坐标区间超出一个第二坐标区间，且未超出多个连续坐标区间的范围，则根据最小包含所述第一坐标区间的多个连续第二坐标区间对应的多个列标识确定合并单元格的列标识；将所述合并单元格的列标识作为所述字符串的列标识。

6.根据权利要求1所述的方法，其特征在于，在根据所述字符串的坐标和所述纵坐标集合确定所述字符串的行标识之前，还包括：

根据纵坐标集合确定表格范围以外的干扰字符串；

删除所述干扰字符串。

7.根据权利要求1所述的方法，其特征在于，在根据页面对象中直线元素的端点坐标确定横坐标集合和纵坐标集合之后，还包括：

若所述横坐标集合中第一横坐标和第二横坐标的差值小于预设距离阈值，则删除所述第一横坐标或删除所述第二横坐标；

若所述纵坐标集合中第一纵坐标和第二纵坐标对差值小于预设距离阈值，则删除所述第一纵坐标或删除所述第二纵坐标。

8.一种PDF文档的解析装置，其特征在于，包括：

页面对象获取模块，用于根据PDF文档获取页面对象；

坐标集合确定模块，用于根据页面对象中直线元素的端点坐标确定横坐标集合和纵坐标集合；

字符串确定模块，用于根据所述页面对象中字符元素的坐标确定字符串；

列标识确定模块，用于根据所述字符串的坐标和所述横坐标集合确定所述字符串的列标识；

行标识确定模块，用于根据所述字符串的坐标和所述纵坐标集合确定所述字符串的行标识；

绘制模块，用于根据所述行标识和所述列标识绘制电子表格。

9.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-7中任一所述的PDF文档的解析方法。

10.一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行如权利要求1-7中任一所述的PDF文档的解析方法。