一种基于图像信息的PDF有边框表格抽取方法技术

本发明专利技术公开了一种基于图像信息的PDF有边框表格抽取方法，该方法中先读取出PDF文件中记载的关于横竖线条的信息，并据此重新绘制图表，再对新绘制的图表做精细化处理，滤掉其中多余线条，滤掉其中背景色，找出构成表格的横线和竖线，再补全可能缺失的边框线，最后再读取PDF文件中记载的文本信息及文本位置信息，将之填写在新绘制的表格中，从而得到可编辑的与PDF文本中内容一致的表格。

A Bordered Table Extraction Method for PDF Based on Image Information

【技术实现步骤摘要】
一种基于图像信息的PDF有边框表格抽取方法
本专利技术涉及PDF文件处理方法领域，具体涉及一种基于图像信息的PDF有边框表格抽取方法。
技术介绍
PDF全称PortableDocumentFormat，是便携文档格式的意思，可以完美表现文件的原始样式(完美保真)，不会因为使用的软件、系统，等等东西的不同而产生不同的显示效果，屏幕显示和打印输出就是发布者想要的样子。因此，目前网络上传播的文档大部分是PDF格式文件，但是这给很多从文档中整理表格数据的人群带来了困难，尤其是在金融领域，在财务报告、行业研究报告中，研究员需针对表格做进一步的深度处理，需将pdf中的表格转化成规则的行和列的形式，如Excel表格等可编辑的形式。目前业内大多数pdf处理工具，基本上都是针对文本的处理，或者转化为doc格式，转化为doc后，虽然能提取出部分表格，但是由于原始pdf表格中的格式样式差异化较大，表格效果不理想，准确率较低，不能满足金融领域中高精度数据的需求。由于上述原因，本专利技术人开发设计出一种全新的PDF文本提取方法，尤其是PDF文本中有边框表格的提取方法。
技术实现思路
为了克服上述问题，本专利技术人进行了锐意研究，设计出一种基于图像信息的PDF有边框表格抽取方法，该方法中先读取出PDF文件中记载的关于横竖线条的信息，并据此重新绘制图表，再对新绘制的图表做精细化处理，滤掉其中多余线条，滤掉其中背景色，找出构成表格的横线和竖线，再补全可能缺失的边框线，最后再读取PDF文件中记载的文本信息及文本位置信息，将之填写在新绘制的表格中，从而得到可编辑的与PDF文本中内容一致的表格，从而完成本专利技术。具体来说，本专利技术的目的在于提供一种基于图像信息的PDF有边框表格抽取方法，其特征在于，该方法包括如下步骤：步骤1：读取PDF文件信息，从读取到的信息中抽取出横线信息、竖线信息和颜色信息，并根据抽取出的信息绘制图片，步骤2：滤掉步骤1绘制图片中的多余线条，并且补全表格；步骤3：读取PDF文件信息，得到PDF文件中每个字符及每个字符所在位置信息，扫描步骤2中得到的表格中各个单元格的位置信息，根据位置信息将PDF文件中的字符填写到表格的单元格中。其中，所述步骤2包括如下子步骤：子步骤1：在图片的上方中部根据读取的信息选择一条或多条竖线，沿着该竖线继续向下读取/识别每一个像素点，直至该竖线截止，判断该竖线是否为构成表格的竖线；子步骤2：找出所有与子步骤1中构成表格的竖线相交的横线，沿着该横线向左右两侧读取/识别每一个像素点，直至该横线截止，判断该横线是否为构成表格的横线；子步骤3：找出所有与子步骤2中构成表格的横线相交的竖线，沿着该竖线向上下两侧读取/识别每一个像素点，直至该竖线截止，判断该竖线是否为构成表格的竖线；子步骤4：删除图片中除构成表格的竖线和构成表格的横线以外的信息。其中，判断横线或者竖线截止的条件为：沿着该线的延伸方向，连续1～3个像素点长度区域中的像素点无颜色；优选地，沿着该线的延伸方向，连续3个像素点长度区域中的像素点无颜色。其中，所述竖线的长度超过预设值时判断其为构成表格的竖线；所述横线的长度超过预设值时判断其为构成表格的横线；优选地，所述预设值为40～100个像素点；进一步优选地，所述预设值为52个像素点。其中，若所述构成表格的竖线与任何一条构成表格的横线都无交点，则删除该构成表格的竖线；若所述构成表格的横线与任何一条构成表格的竖线都无交点，则删除该构成表格的横线。其中，所述步骤2还包括下述子步骤：子步骤5：在子步骤4得到的表格边缘添加边界线，所述边界线包括位于最左侧和最右侧的竖线，还包括位于最上侧和最下侧的横线。其中，添加的边界线如果与现有的线重叠，比较重叠的两条线的长度，并删除较短的线。其中，在执行在步骤2以前，首先找出图片中的背景颜色，在读取/识别每一个像素点时，将所述背景颜色认定为无颜色；优选地，将所述背景颜色的边缘认定为构成表格的竖线和构成表格的横线。其中，在图片上设置可移动的矩形框，判断矩形边框圈定的图片区域中所有像素点的颜色，若该区域中所有像素点的颜色都一致，记录该颜色为背景颜色。其中，所述矩形边框的长度和宽度都为20～40个像素点；优选地，所述矩形边框的长度和宽度都为26个像素点。根据本专利技术提供的基于图像信息的PDF有边框表格抽取方法能够快速准确地将PDF文件中的表格提取出来，形成可编辑的表格文件，可以完全取代人工进行表格提取工作，并且该方法采用了全新的设计理念，能够大幅提高表格提取的准确率，能够适应并处理多种形式的复杂表格，具有良好的商业应用价值。附图说明图1示出根据本专利技术一种优选实施方式的基于图像信息的PDF有边框表格抽取方法整体流程图；图2示出实施例中待处理的PDF文件页面；图3示出步骤1处理后得到的包含横线信息、竖线信息和背景颜色的图片；图4示出步骤2处理后得到的已消除多余线条和背景色的图片；图5示出步骤3处理后得到的清晰完整并且与PDF文件中表格相对应的可编辑表格。具体实施方式下面通过附图和实施例对本专利技术进一步详细说明。通过这些说明，本专利技术的特点和优点将变得更为清楚明确。在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。根据本专利技术提供的基于图像信息的PDF有边框表格抽取方法，如图1中所示，该方法包括如下步骤：步骤1：读取PDF文件信息，从读取到的信息中抽取出横线信息、竖线信息和颜色信息，并根据抽取出的信息绘制图片，步骤2：滤掉步骤1绘制图片中的多余线条，并且补全表格；步骤3：读取PDF文件信息，得到PDF文件中每个字符及每个字符所在位置信息，扫描步骤2中得到的表格中各个单元格的位置信息，根据位置信息将PDF文件中的字符填写到表格的单元格中。其中，所述PDF文件中存储的信息包括字符信息、横线竖线信息、背景颜色信息及相应的位置信息。现有的系统软件是没办法直接判断出PDF文件中什么位置是表格、什么位置是图片，所以本专利技术中上述方法需要对PDF文件的每一页都做上述处理，如果步骤2中无法获得较为完整的表格，则认为该页中不存在表格，可以跳过该页继续处理下一页。本专利技术中步骤1中绘制的图片是指在计算机的虚拟内存/缓存中绘制的可编辑修改的图像信息。优选地，所述步骤2包括如下子步骤：子步骤1：在图片的上方中部根据读取的信息选择一条或多条竖线，沿着该竖线继续向下读取/识别每一个像素点，直至该竖线截止，判断该竖线是否为构成表格的竖线；其中，具体选择几条竖线可以根据实际情况确定，一般选择1～5条，更优选为3条，选择的越多最终结果的准确率越高，但是运算速度就会相应降低；所述读取/识别像素点主要是通过比较该像素点的颜色与构成该线条像素点的颜色是否一致，如果一致则认为该像素点也是该线条的一部分；另外，每个线条都具有一定的宽度，其宽度方向也可以包含有多个像素点，所以在读取/识别像素点时要识别该宽度方向上的全部像素点。本专利技术中所述的图片就是由密集排布的、显示出多种色彩的多个像素点构成的，所述像素点也是本专利技术中的长度度量单位；子步骤2：找出所有与子步骤1中构成表格的竖线相交的横线，沿着该本文档来自技高网...

【技术保护点】
1.一种基于图像信息的PDF有边框表格抽取方法，其特征在于，该方法包括如下步骤：步骤1：读取PDF文件信息，从读取到的信息中抽取出横线信息、竖线信息和颜色信息，并根据抽取出的信息绘制图片，步骤2：滤掉步骤1绘制图片中的多余线条，并且补全表格；步骤3：读取PDF文件信息，得到PDF文件中每个字符及每个字符所在位置信息，扫描步骤2中得到的表格中各个单元格的位置信息，根据位置信息将PDF文件中的字符填写到表格的单元格中。

【技术特征摘要】
1.一种基于图像信息的PDF有边框表格抽取方法，其特征在于，该方法包括如下步骤：步骤1：读取PDF文件信息，从读取到的信息中抽取出横线信息、竖线信息和颜色信息，并根据抽取出的信息绘制图片，步骤2：滤掉步骤1绘制图片中的多余线条，并且补全表格；步骤3：读取PDF文件信息，得到PDF文件中每个字符及每个字符所在位置信息，扫描步骤2中得到的表格中各个单元格的位置信息，根据位置信息将PDF文件中的字符填写到表格的单元格中。2.根据权利要求1所述的基于图像信息的PDF有边框表格抽取方法，其特征在于，所述步骤2包括如下子步骤：子步骤1：在图片的上方中部根据读取的信息选择一条或多条竖线，沿着该竖线继续向下读取/识别每一个像素点，直至该竖线截止，判断该竖线是否为构成表格的竖线；子步骤2：找出所有与子步骤1中构成表格的竖线相交的横线，沿着该横线向左右两侧读取/识别每一个像素点，直至该横线截止，判断该横线是否为构成表格的横线；子步骤3：找出所有与子步骤2中构成表格的横线相交的竖线，沿着该竖线向上下两侧读取/识别每一个像素点，直至该竖线截止，判断该竖线是否为构成表格的竖线；子步骤4：删除图片中除构成表格的竖线和构成表格的横线以外的信息。3.根据权利要求2所述的基于图像信息的PDF有边框表格抽取方法，其特征在于，判断横线或者竖线截止的条件为：沿着该线的延伸方向，连续1～3个像素点长度区域中的像素点无颜色；优选地，沿着该线的延伸方向，连续3个像素点长度区域中的像素点无颜色。4.根据权利要求2所述的基于图像信息的PDF有边框表格抽取方法，其特征在于，所述竖线的长度超过预设值时判断其...

【专利技术属性】
技术研发人员：陈前力，王博远，吴雪军，
申请(专利权)人：鼎复数据科技北京有限公司，
类型：发明
国别省市：北京,11