图表数据结构化提取方法、电子设备及计算机可读存储介质技术

本发明专利技术公开了一种图表数据结构化提取方法，该方法包括步骤：获取指定文档中的图表及每张图表的位置信息；根据每张图表的位置信息，提取每张图表的标题和上下文文字信息；根据上下文文字的位置信息，对每张图表的上下文文字进行拼接，并将拼接后的上下文文字与每张图表的标题及图表本身关联在一起，形成结构化的图表数据。本发明专利技术可以提高图表数据提取的完整度。

Graph data structured extraction method, electronic equipment and computer readable storage medium

The invention discloses a method for extracting structured chart data, the method comprises the following steps: obtaining the position information specified in the document graph and each chart; according to the position information of each chart, from each chart title and text context information; according to the position information on the context of the word, the word to the context of each chart mosaic, and will headline the text and context of each chart and chart after stitching themselves together to form graph structured data. The invention can improve the integrity of the graph data extraction.

【技术实现步骤摘要】
图表数据结构化提取方法、电子设备及计算机可读存储介质
本专利技术涉及计算机信息
，尤其涉及一种图表数据结构化提取方法、电子设备及计算机可读存储介质。
技术介绍
现有针对PDF文档的信息提取大多仅限于文字信息，而对于图表信息，也仅是提取出单独的图表，没有对图表的相关信息也进行统一抽取。单独的图表在脱离了其特定语义环境后可能会给人一种不知所云的感觉，这一点非常不利于对图表信息的进一步分析与利用。故，现有技术中的图表数据提取方法设计不够合理，亟需改进。
技术实现思路
有鉴于此，本专利技术提出一种图表数据结构化提取方法、电子设备及计算机可读存储介质，通过结构化地提取包括图表本身、图表标题及其上下文文字信息的图表数据，形成对图表信息的完整表达，便于其它应用接口后续对图表信息进行进一步地分析与利用。首先，为实现上述目的，本专利技术提出一种电子设备，所述电子设备包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的图表数据结构化提取系统，所述图表数据结构化提取系统被所述处理器执行时实现如下步骤：获取指定文档中的图表及每张图表的位置信息；根据每张图表的位置信息，提取每张图表的标题和上下文文本文档来自技高网...

【技术保护点】
一种电子设备，其特征在于，所述电子设备包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的图表数据结构化提取系统，所述图表数据结构化提取系统被所述处理器执行时实现如下步骤：获取指定文档中的图表及每张图表的位置信息；根据每张图表的位置信息，提取每张图表的标题和上下文文字信息；及根据上下文文字的位置信息，对每张图表的上下文文字进行拼接，并将拼接后的上下文文字与每张图表的标题及图表本身关联在一起，形成结构化的图表数据。

【技术特征摘要】
1.一种电子设备，其特征在于，所述电子设备包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的图表数据结构化提取系统，所述图表数据结构化提取系统被所述处理器执行时实现如下步骤：获取指定文档中的图表及每张图表的位置信息；根据每张图表的位置信息，提取每张图表的标题和上下文文字信息；及根据上下文文字的位置信息，对每张图表的上下文文字进行拼接，并将拼接后的上下文文字与每张图表的标题及图表本身关联在一起，形成结构化的图表数据。2.如权利要求1所述的电子设备，其特征在于，所述提取每张图表的标题和上下文文字信息包括：确定每张图表的一个相邻区域；于每张图表的相邻区域内，从每张图表的位置向上扫描预定数量行数，扫描获取的文字信息记录为每张图表的标题；及于每张图表的相邻区域内，从每张图表的位置向上、向下扫描该相邻区域内的剩余行数，扫描获取的文字信息记录为每张图表的上下文文字信息。3.如权利要求2所述的电子设备，其特征在于，所述获取指定文档中的图表及每张图表的位置信息包括：获取指定文档中所有文字的位置信息，并根据所有文字的位置信息获取该指定文档中的文字分布信息；分析该指定文档中的文字分布信息，判断出该指定文档中文字分布密度较低的区域、或/及无文字分布的区域，并将所述文字分布密度较低的区域、或/及无文字分布的区域标记为候选图表区域；及将所述标记的候选图表区域转换为图片，并从转换后的图片中筛选出包含图表信息的图片，作为该指定文档中抽取出的图表，并记录下每张图表的位置信息。4.如权利要求3所述的电子设备，其特征在于，所述判断出该指定文档中文字分布密度较低的区域包括：若一行文字的长度小于第一阀值，则判断出该行文字分布密度较低，并清洗该行文字；及所述判断出该指定文档中无文字分布的区域包括：对该指定文档中每一页从上到下进行扫描，若超过第二阀值宽度的区域没有扫描到文字，则判断出该区域为无文字分布的区域。5.如权利要求4所述的电子设备，其特征在于，所述从转换后的图片中筛选出包含图表信息的图片包括：对该转换后的图片进行灰度处理，将该转换后的图片转换为灰度图；按行统计该灰度图中黑色像素点的数量和比例，若一行中黑色像素点的数量和比例超...

【专利技术属性】
技术研发人员：王鸿滨，汪伟，王晓伟，王智，肖京，
申请(专利权)人：平安科技深圳有限公司，
类型：发明
国别省市：广东,44