一種PDF等版式文檔中識(shí)別表格的方法

基本信息

申請?zhí)?/td> CN202110598830.9 申請日 -
公開（公告）號(hào) CN113343815A 公開（公告）日 2021-09-03
申請公布號(hào) CN113343815A 申請公布日 2021-09-03
分類號(hào) G06K9/00（2006.01）I;G06F40/177（2020.01）I;G06F40/174（2020.01）I 分類 計(jì)算；推算；計(jì)數(shù);
發(fā)明人 安永進(jìn);魯林 申請（專利權(quán)）人 北森云計(jì)算有限公司
代理機(jī)構(gòu) 成都九鼎天元知識(shí)產(chǎn)權(quán)代理有限公司 代理人 徐靜
地址 610041四川省成都市高新區(qū)萃華路89號(hào)1棟1單元4001號(hào)
法律狀態(tài) -

摘要

摘要 本發(fā)明公開了一種PDF等版式文檔中識(shí)別表格的方法，包括以下步驟：在PDF頁面渲染過程中，記錄頁面狀態(tài)，忽略隱藏線條，記錄有效的橫向線段和縱向線段；合并近似共線且相交或近似相交的橫向線段和縱向線段；找到所有橫向線段和縱向線段的交點(diǎn)和兩側(cè)端點(diǎn)；劃分出多個(gè)互不聯(lián)通的點(diǎn)線區(qū)域，將交點(diǎn)不超過4個(gè)的點(diǎn)線區(qū)域作為無效區(qū)域，多個(gè)相鄰的無效區(qū)域作為無連通區(qū)域組并確定其單元格；針對交點(diǎn)超過4個(gè)的點(diǎn)線區(qū)域，得到每個(gè)單元格的坐標(biāo)及邊線；將每個(gè)單元格組劃分為若干個(gè)表格行；得到表格整體的行數(shù)和列數(shù)；根據(jù)坐標(biāo)設(shè)置單元格內(nèi)的內(nèi)容。本發(fā)明識(shí)別單元格更準(zhǔn)確，不會(huì)因文本坐標(biāo)出現(xiàn)漏識(shí)別或錯(cuò)識(shí)別，能準(zhǔn)確提取單元格的行列特征。