[发明专利]表格信息提取方法、电子设备及存储介质

说明书

本发明提供了一种表格信息提取方法，所述方法包括：获取文档中的多个文本块和多个线条；将预设的表头字段集合与所述文本块进行字符匹配，确定表格的表头区域；根据所述表头区域和所述线条，确定所述表格的内容区域；对所述表头区域中的文本块进行分割，得到多个表头列名；对所述内容区域中的文本块进行分割，得到与所述表头列名对应的记录；根据所述表头列名和所述表头列名对应的所述记录，生成结构化数据。本发明实施例通过解析文档得到文本块和线条，根据预设的表头字段集合和文本块确定表头区域，根据表头和线条确定表格内容，并对表格内容进行分割，得到并生成结构化的表格记录。

技术领域

本发明涉及信息处理技术领域，特别是涉及一种表格信息提取方法、电子设备及存储介质。

背景技术

现在，合同、年报类财务金融等领域的文件都采用便携式文档格式(PortableDocument Format，PDF)、图片等只读格式的文件进行存储和传播。

当需要从这些文件中抽取表格信息及结构化输出进行后续分析时，使用常见的PDF解析工具或者光学字符识别(Optical Character Recognition，OCR)等技术只能提取出文件中的文本内容及其对应的位置，无法获得文本内容之间的关系，不足以实现结构化信息提取；另外由于表格布局形式多变、单元格框线缺失、表格内容换行和表格跨页等复杂情形，给表格信息结构化抽取任务带来了巨大的挑战。

发明内容

本发明实施例提供一种表格信息提取方法、电子设备及计算机可读存储介质，能够实现结构化提取表格信息。

第一方面，本发明实施例提供一种表格信息提取方法，所述方法包括：

获取文档中的多个文本块和多个线条；

将预设的表头字段集合与所述文本块进行字符匹配，确定表格的表头区域；

根据所述表头区域和所述线条，确定所述表格的内容区域；

对所述表头区域中的文本块进行分割，得到多个表头列名；

对所述内容区域中的文本块进行分割，得到与所述表头列名对应的记录；

根据所述表头列名和所述表头列名对应的所述记录，生成结构化数据。

第二方面，本发明实施例提供一种电子设备，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，所述处理器执行所述计算机程序时，实现如上第一方面提供的表格信息提取方法。

第三方面，本发明实施例提供一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，实现如上第一方面提供的表格信息提取方法。

本发明实施例通过解析文档得到文档中的多个文本块和多个线条，将文本块与预设的表头字段进行匹配，确定表头区域，进而在不同表格样式和单元格框线缺失等情况下，根据多个线条与表头区域，确定表格的内容区域，并基于文本块和线条的位置信息，对表头区域和内容区域进行分割，得到与表头区域中的表头列名对应的表格记录，从而生成结构化的记录信息。

本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。

附图说明

附图用来提供对本发明技术方案的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明的技术方案，并不构成对本发明技术方案的限制。

图1是本发明实施例提供的一种表格信息提取方法的流程示意图；

图2是本发明实施例提供的一种表格信息提取方法的流程示意图；

图3是本发明实施例提供的一种表格信息提取方法的流程示意图；