[发明专利]数据处理方法、装置、设备及存储介质

权利要求书

1.一种数据处理方法，其特征在于，包括：

获取待处理可携带文档格式PDF文件的待处理图像格式页，所述待处理图像格式页通过将所述待处理PDF文件中的待处理页格式转换为图像获得；

利用图表检测模型对所述待处理图像格式页进行图表检测，获得所述待处理图像格式页的目标图表区域的信息；

利用图表分类模型对所述目标图表区域进行分类，获得所述目标图表区域的图表类别标签，所述图表类别标签包括数据图类、非数据图类和表格类；

根据所述目标图表区域的图表类别标签，获得所述待处理PDF文件的待处理图像格式页的目标图表区域的相关内容。

2.根据权利要求1所述的方法，其特征在于，根据所述目标图表区域的图表类别标签，获得所述待处理PDF文件的待处理图像格式页的目标图表区域的相关内容，包括：

在所述目标图表区域的图表类别标签为数据图类的情况下，利用文本检测模型对所述目标图表区域进行文本检测，获得所述目标图表区域中的目标文本区域；

通过光学字符识别方法对所述目标文本区域进行字符识别，获得光学字符识别结果；

基于对所述待处理PDF文件进行底层解析获得的图表基本信息，对所述光学字符识别结果进行修正，获得所述目标文本区域中的文本信息。

3.根据权利要求2所述的方法，其特征在于，基于对所述待处理PDF文件进行底层解析获得的图表基本信息，对所述光学字符识别结果进行修正，包括：

获得所述光学字符识别结果中的第一字符串与所述图表基本信息中的第二字符串的相似度；

在所述第一字符串与所述第二字符串的相似度大于预设相似度阈值的情况下，将所述光学字符识别结果中的第一字符串修改为所述第二字符串。

4.根据权利要求1所述的方法，其特征在于，所述目标图表区域的信息包括所述目标图表区域的尺寸信息；

所述方法还包括：

根据所述目标图表区域的尺寸信息判断所述目标图表区域是否尺寸正常；

利用图表分类模型对所述目标图表区域进行分类，获得所述目标图表区域的图表类别标签，包括：

在判定所述目标图表区域尺寸正常的情况下，利用图表分类模型对所述目标图表区域进行分类，获得所述目标图表区域的图表类别标签。

5.根据权利要求1所述的方法，其特征在于，所述目标图表区域的信息包括所述目标图表区域的位置信息；

所述方法还包括：

根据所述目标图表区域的位置信息，获得所述待处理图像格式页中所述目标图表区域上方和/或下方预设距离内的目标文本行；

利用图表标题模型获得所述目标文本行是所述目标图表区域中的目标图表的标题的概率；

在所述目标文本行是所述目标图表的标题的概率大于预设概率阈值时，获得所述目标图表的标题为所述目标文本行。

6.根据权利要求1所述的方法，其特征在于，利用图表检测模型对所述待处理图像格式页进行图表检测，获得所述待处理图像格式页的目标图表区域的信息，包括：

利用所述图表检测模型对所述待处理图像格式页进行图表检测，获得预测图表区域的信息，所述预测图表区域的信息包括至少一个预测图表区域的位置信息、尺寸信息和页码信息；

在根据预测图表区域的位置信息确定两个预测图表区域的位置有重叠的情况下，根据所述两个预测图表区域的位置信息和尺寸信息，确定将所述两个预测图表区域合并为一个目标图表区域，或调整所述两个预测图表区域以获得两个位置没有重叠的目标图表区域；和/或

在根据所述预测图表区域的位置信息和页码信息判定存在跨页表格的情况下，将所述跨页表格对应的两个预测图表区域进行合并，获得所述跨页表格对应的目标图表区域。