[发明专利]表格文件处理方法、装置、计算机设备和存储介质

说明书

本申请涉及一种表格文件处理方法、装置、计算机设备、存储介质和计算机程序产品。所述方法包括：对表格文件进行解析，获取所述表格文件的元素、元素位置信息；根据所述元素匹配表格文件模板配置，得到目标模板配置；根据所述元素位置信息对文本页面中的所述元素进行排序；根据所述目标模板配置对排序后的所述文本页面进行调整，生成目标格式的表格文件。采用本方法能够通过提高表格文件在转化过程中的精准度，避免表格文件转化过程中出现表格文件错行、错列以及数据粘连等情况。

技术领域

本申请涉及计算机技术领域，特别是涉及一种表格文件处理方法、装置、计算机设备和存储介质。

背景技术

随着计算机技术的发展，利用计算机分析数据越来越广泛。现实生活当中，相当多的表格文件是可携带文件格式(portable document format，简称PDF)甚至是图片的形式存在的，距离方便数据分析的Excel或者CSV文件还有很大的差距。

传统技术中，通常是通过光学字符识别(Optical Character Recognition，简称OCR)技术或者开源代码解析的方法，将文件转化为页面内的字符串及其在文件中的位置信息，而转化在页面的内容会出现错行、错列的情况，无法真实的还原表格文件的式样。

发明内容

基于此，有必要针对上述技术问题，提供一种能够提高转化准确性的表格文件处理方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。

第一方面，本申请提供了一种表格文件处理方法。所述方法包括：

对表格文件进行解析，获取所述表格文件的元素、元素位置信息；

根据所述元素匹配表格文件模板配置，得到目标模板配置；

根据所述元素位置信息对文本页面中的所述元素进行排序；

根据所述目标模板配置对排序后的所述文本页面进行调整，生成目标格式的表格文件。

在其中一个实施例中，所述元素位置信息包括元素的行坐标和列坐标；所述根据所述元素位置信息对文本页面中的所述元素进行排序，包括：

将具有相同或相近列坐标的元素按照行坐标进行排序，得到所述文本页面的每一行数据。

在其中一个实施例中，根据表格文件特征对每一行数据进行识别，得到每一行数据的属性，所述属性包括表题、表头、表格数据行和注脚中至少一种。

在其中一个实施例中，根据所述元素位置信息对文本页面中的所述元素进行排序之后，包括：

获取表格数据行每个元素的行坐标；对所述元素的行坐标是否连续交叉，表头的行坐标是否交叉以及表格线位置进行判断，得到判断结果；根据所述判断结果，将所述元素合并到所述表头对应的列。

在一个实施例中，根据所述目标模板配置对排序后的所述文本页面进行调整，还包括：

根据所述目标模板配置判断当前行的预设列的数据是否符合预设格式，所述目标模板配置包括时间列、时间列正则格式和余额列；当所述当前行的所述预设列的数据不符合预设格式时，将所述当前行的数据合并至所述当前行的上一行或下一行。

在一个实施例中，所述根据所述目标模板配置对排序后的所述文本页面进行调整，包括以下至少一种：

根据所述目标模板配置判断是否需要合并表头；当需要合并时，所述表头的所述元素向前或向后合并若干行；

根据所述目标模板配置判断是否需要处理跨页行，所述目标模板配置包括行跨页类型、时间列、上一页时间正则和下一页时间正则；若所述上一页时间正则匹配所述下一页时间正则时，则将所述跨页行的数据合并至所述跨页行的上一行或下一行；