【技术实现步骤摘要】
一种基于关键字与框线特征的期刊文献表格高效提取方法
[0001]本专利技术涉及PDF文件信息提取领域，尤其涉及一种基于关键字与框线特征的期刊文献表格高效提取方法。
技术介绍
[0002]PDF(Portable Document Format，便携式文档格式)是一种基于PostScript语言图象模型的文档格式，能精确还原文档的字符、颜色及图像，广泛应用于网络电子文档，是期刊文献进行传输和存储的国际通用文件格式。期刊文献中包含了大量专业知识及实验数据，是当前大数据应用中的重要数据来源，因此快速获取并充分利用期刊文献的有效信息极其重要。
[0003]表格作为期刊文献高信息密度表示的载体，往往包含了文档中的关键信息。当前学术文献数量呈爆炸式增长，人工检索已无法满足信息增长速度，尤其是随着大数据技术的成熟及在各行业的渗透，期刊文献中的表格数据作为相关领域的大数据的主要来源，越来越受到大数据挖掘和应用研究的重视，提取期刊文献(特别是科技文献)表格的需求也愈发强烈。因此，从PDF自动提取表格数据已成为大数据应用的重要部分，为相...
【技术保护点】
【技术特征摘要】
1.一种基于关键字与框线特征的期刊文献表格高效提取方法，其特征在于：所述方法包括如下步骤：步骤1：建立字符集合与线条集合，分页码解码PDF，获得页面的尺寸、各页所有字符集合Text、线条集合Curve及其信息状态参数，包括字符字号、字符横纵坐标、线条高度、线条横纵坐标；步骤2：定义语言分类规则将PDF文献分为中文文献与英文文献，分别为中文文献与英文文献建立表格关键字；步骤3：构造表格关键字集合Key，利用表格关键字特征清洗字符，获取初次清洗后的表格关键字；步骤4：构造表格框线集合Line，利用表格框线特征清洗线条，获取初次清洗后的表格框线；步骤5：为便于区分表格区域，根据文献是否为双栏排版将关键字集合Key分为右栏关键字集合KeyR及非右栏关键字集合KeyNR，将框线集合Line分为右栏框线集合LineR及非右栏框线集合LineNR；步骤6：对比框线与关键字纵坐标，将属于同一表格的关键字与框线绑定，形成集合Table，并获取每个表格最后一条框线；步骤7：根据关键字横纵坐标确定表格区域的左上角坐标，根据最后一条框线右下角横纵坐标确定表格区域的右下角坐标，表格矩形区域得以确定，输出表格数据。2.根据权利要求1所述的一种基于关键字与框线特征的期刊文献表格高效提取方法，其特征在于：步骤1中，字符横纵坐标只表示字符左侧横坐标与上侧纵坐标，不考虑右侧与下侧的坐标，线条高度为默认垂直高度，线条横纵坐标包括线条左侧横坐标、上侧纵坐标、右侧横坐标及下侧纵坐标。3.根据权利要求1所述的一种基于关键字与框线特征的期刊文献表格高效提取方法，其特征在于：步骤2中，语言分类规则为获取PDF第一页中字号最大及字号第二大的字符，若字符的ASCⅡ码值均位于\u4e00
‑
\u9fa5区间，则文献为中文文献，若该类字符的ASCⅡ码值均位于[65,90]或[97,122]，则文献为英文文献；中文文献表格关键字为表+表序，英文文献表格关键字为Tab或Table+表序，利用关键字剔除大部分不满足条件的字符串，一个表格关键字对应一个表格。4.根据权利要求1所述的一种基于关键字与框线特征的期刊文献表格高效提取方法，其特征在于：步骤3中，利用表格关键字特征清洗的过程包括：对于字体加粗导致坐标重叠的关键字，通过对比横纵坐标删除重复坐标及重复关键字，对于正文期刊文献正文部分出现的关键字噪声，通过对比字号大小剔除字号更大的关键字。5.根据权利要求1所述的一种基于关键字与框线特征的期刊文献表格高效提取方法，其特征在于：步骤4中，利用表格框线特征清晰的过程包括：通过对比线条高度删除离水平方向角度相差较大的线条以及过粗的线条，根据线条的横纵坐标判断线条是否为可拼接状态，将被拆分的线条拼接成完整的线条，通过横纵坐标判断线条是否重叠，删除被覆盖的线条，统计出现相同横坐标的线条的次数，删除次数小于3的线条，统计线条左右端点横坐标的差的次数，删除次数小于3的线条。6.根据权利要求1所述的一种基于关键字与框线特征的期刊文献表格高效提取方法，
其特征在于：步骤5中，关键字与框线分栏方式为：若关键字或框线的左端横坐标大于页面宽度的一半，则文献为双栏排版格式，关键字划分到集合KeyR，框线划分到集合LineR，否则，文献为单栏排版格式或者双栏排版格式，关键字划分到集合KeyNR，框线划分到集合LineNR。因此，右栏关键字集合KeyR只表示双栏排版中的右栏关键字，非右栏关键字集合KeyNR包括双栏排版...
【专利技术属性】
技术研发人员：邓建新，刘港，吴秀松，梁嘉威，唐伟博，贺德强，戴博林，农张华，黎业富，
申请(专利权)人：广西大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。