CN107844468A - 表格信息跨页识别方法、电子设备及计算机可读存储介质 - Google Patents
表格信息跨页识别方法、电子设备及计算机可读存储介质 Download PDFInfo
- Publication number
- CN107844468A CN107844468A CN201710959704.5A CN201710959704A CN107844468A CN 107844468 A CN107844468 A CN 107844468A CN 201710959704 A CN201710959704 A CN 201710959704A CN 107844468 A CN107844468 A CN 107844468A
- Authority
- CN
- China
- Prior art keywords
- word
- writing
- page
- piece
- previous
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 47
- 230000015654 memory Effects 0.000 claims description 21
- 238000012545 processing Methods 0.000 claims description 8
- 238000010586 diagram Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000007634 remodeling Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/10—Text processing
- G06F40/166—Editing, e.g. inserting or deleting
- G06F40/177—Editing, e.g. inserting or deleting of tables; using ruled lines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/10—Text processing
- G06F40/166—Editing, e.g. inserting or deleting
- G06F40/177—Editing, e.g. inserting or deleting of tables; using ruled lines
- G06F40/18—Editing, e.g. inserting or deleting of tables; using ruled lines of spreadsheets
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Document Processing Apparatus (AREA)
- Character Input (AREA)
Abstract
本发明公开了一种表格信息跨页识别方法,该方法包括步骤:获取指定文档中每行文字的位置信息和标签信息;针对该指定文档中相邻的前一表格和下一表格,获取前一表格文字内容的位置信息、标签信息和下一表格文字内容的位置信息、标签信息;比对下一表格每列文字的左边沿坐标与前一表格对应每列文字的左边沿坐标;当下一表格每列文字的左边沿坐标与前一表格对应每列文字的左边沿坐标都相同时,比对下一表格每行文字的页码与前一表格每行文字的页码;若下一表格每行文字的页码与前一表格每行文字的页码存在不同,则判定下一表格与前一表格为存在跨页情形的同一表格。本发明可以识别出表格中的跨页情形。
Description
技术领域
本发明涉及计算机信息技术领域,尤其涉及一种表格信息跨页识别方法、电子设备及计算机可读存储介质。
背景技术
现有针对PDF年报中表格的定位和识别,一般是基于OCR技术。但是,OCR技术仅能将表格中各个单元格的内容依照原始的相对位置抽取出来另作存储,如果一张表格出现了跨页现象,OCR技术很可能会将同一张表格误认为是两张或者多张表格,从而无法准确重塑原始表格所要表达的信息。故,现有技术中的表格信息跨页识别方法设计不够合理,亟需改进。
发明内容
有鉴于此,本发明提出一种表格信息跨页识别方法、电子设备及计算机可读存储介质,通过分析指定文档(如PDF文档)中表格文字内容的位置信息和标签信息,可以识别出表格(如PDF年报表格)中的跨页情形,且重塑后表格信息损失小。
首先,为实现上述目的,本发明提出一种电子设备,所述电子设备包括存储器和处理器,所述存储器上存储有可在所述处理器上运行的表格信息跨页识别系统,所述表格信息跨页识别系统被所述处理器执行时实现如下步骤:
获取指定文档中每行文字的位置信息和标签信息;
针对该指定文档中相邻的前一表格和下一表格,获取前一表格文字内容的位置信息、标签信息和下一表格文字内容的位置信息、标签信息;
比对下一表格每列文字的左边沿坐标与前一表格对应每列文字的左边沿坐标;
当下一表格每列文字的左边沿坐标与前一表格对应每列文字的左边沿坐标都相同时,比对下一表格每行文字的页码与前一表格每行文字的页码;及
若下一表格每行文字的页码与前一表格每行文字的页码存在不同,则判定下一表格与前一表格为存在跨页情形的同一表格。
优选地,每行文字的位置信息包括:每行文字的左边沿坐标、上边沿坐标、文本宽度、文本长度;每行文字的标签信息包括:每行文字在所述指定文档的页码、页面长度、页面宽度。
优选地,所述表格信息跨页识别系统被所述处理器执行时还用于实现如下步骤:
当下一表格每列文字的左边沿坐标与前一表格对应每列文字的左边沿坐标存在不同时,则判定下一表格与前一表格为不同表格。
优选地,所述表格信息跨页识别系统被所述处理器执行时还用于实现如下步骤:
若下一表格每列文字的左边沿坐标与前一表格对应每列文字的左边沿坐标之间的差值都小于预设阈值,则判定下一表格每列文字的左边沿坐标与前一表格对应每列文字的左边沿坐标都相同。
优选地,所述表格信息跨页识别系统被所述处理器执行时还用于实现如下步骤:
若下一表格每行文字的页码与前一表格每行文字的页码都相同,则判定下一表格与前一表格为不存在跨页情形的同一表格。
此外,为实现上述目的,本发明还提供一种表格信息跨页识别方法,该方法应用于电子设备,所述方法包括:
获取指定文档中每行文字的位置信息和标签信息;
针对该指定文档中相邻的前一表格和下一表格,获取前一表格文字内容的位置信息、标签信息和下一表格文字内容的位置信息、标签信息;
比对下一表格每列文字的左边沿坐标与前一表格对应每列文字的左边沿坐标;
当下一表格每列文字的左边沿坐标与前一表格对应每列文字的左边沿坐标都相同时,比对下一表格每行文字的页码与前一表格每行文字的页码;及
若下一表格每行文字的页码与前一表格每行文字的页码存在不同,则判定下一表格与前一表格为存在跨页情形的同一表格。
优选地,每行文字的位置信息包括:每行文字的左边沿坐标、上边沿坐标、文本宽度、文本长度;每行文字的标签信息包括:每行文字在所述指定文档的页码、页面长度、页面宽度。
优选地,该方法还包括步骤:
当下一表格每列文字的左边沿坐标与前一表格对应每列文字的左边沿坐标存在不同时,则判定下一表格与前一表格为不同表格;
若下一表格每列文字的左边沿坐标与前一表格对应每列文字的左边沿坐标之间的差值都小于预设阈值,则判定下一表格每列文字的左边沿坐标与前一表格对应每列文字的左边沿坐标都相同;及
若下一表格每行文字的页码与前一表格每行文字的页码都相同,则判定下一表格与前一表格为不存在跨页情形的同一表格。
优选地,所述表格信息跨页识别方法还可以设置为如下步骤:
获取指定文档中每行文字的位置信息和标签信息;
定位该指定文档中的特定表格,获取该特定表格文字内容的位置信息和标签信息;
根据该特定表格文字内容的位置信息依次读取该特定表格的每行文字,并根据该特定表格文字内容的标签信息获取每行文字的页码;及
若该特定表格每行文字的页码存在不同,则判定该特定表格存在跨页情形。
进一步地,为实现上述目的,本发明还提供一种计算机可读存储介质,所述计算机可读存储介质存储有表格信息跨页识别系统,所述表格信息跨页识别系统可被至少一个处理器执行,以使所述至少一个处理器执行如上述的表格信息跨页识别方法的步骤。
相较于现有技术,本发明所提出的电子设备、表格信息跨页识别方法及计算机可读存储介质,通过分析指定文档(如PDF文档)中表格文字内容的位置信息和标签信息,可以识别出表格(如PDF年报表格)中的跨页情形。该方法无需将PDF文件转化为word、excel等结构化文档,就能准确识别出表格的跨页情形,且重塑后表格信息损失小。
附图说明
图1是本发明电子设备一可选的硬件架构的示意图;
图2是本发明电子设备中表格信息跨页识别系统一实施例的程序模块示意图;
图3为本发明表格信息跨页识别方法一实施例的实施流程示意图;
图4为指定文档中表格存在跨页情形的示意图。
附图标记:
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
需要说明的是,在本发明中涉及“第一”、“第二”等的描述仅用于描述目的,而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。另外,各个实施例之间的技术方案可以相互结合,但是必须是以本领域普通技术人员能够实现为基础,当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在,也不在本发明要求的保护范围之内。
进一步需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
首先,本发明提出一种电子设备2。
参阅图1所示,是本发明电子设备2一可选的硬件架构的示意图。本实施例中,所述电子设备2可包括,但不限于,可通过系统总线相互通信连接存储器21、处理器22、网络接口23。需要指出的是,图1仅示出了具有组件21-23的电子设备2,但是应理解的是,并不要求实施所有示出的组件,可以替代的实施更多或者更少的组件。
其中,所述电子设备2可以是机架式服务器、刀片式服务器、塔式服务器或机柜式服务器等计算设备,该电子设备2可以是独立的服务器,也可以是多个服务器所组成的服务器集群。
所述存储器21至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如,SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中,所述存储器21可以是所述电子设备2的内部存储单元,例如该电子设备2的硬盘或内存。在另一些实施例中,所述存储器21也可以是所述电子设备2的外部存储设备,例如该电子设备2上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。当然,所述存储器21还可以既包括所述电子设备2的内部存储单元也包括其外部存储设备。本实施例中,所述存储器21通常用于存储安装于所述电子设备2的操作系统和各类应用软件,例如所述表格信息跨页识别系统20的程序代码等。此外,所述存储器21还可以用于暂时地存储已经输出或者将要输出的各类数据。
所述处理器22在一些实施例中可以是中央处理器(Central Processing Unit,CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器22通常用于控制所述电子设备2的总体操作,例如执行与所述电子设备2进行数据交互或者通信相关的控制和处理等。本实施例中,所述处理器22用于运行所述存储器21中存储的程序代码或者处理数据,例如运行所述的表格信息跨页识别系统20等。
所述网络接口23可包括无线网络接口或有线网络接口,该网络接口23通常用于在所述电子设备2与其他电子设备之间建立通信连接。例如,所述网络接口23用于通过网络将所述电子设备2与外部数据平台相连,在所述电子设备2与外部数据平台之间的建立数据传输通道和通信连接。所述网络可以是企业内部网(Intranet)、互联网(Internet)、全球移动通讯系统(Global System of Mobile communication,GSM)、宽带码分多址(WidebandCode Division Multiple Access,WCDMA)、4G网络、5G网络、蓝牙(Bluetooth)、Wi-Fi等无线或有线网络。
至此,己经详细介绍了本发明各个实施例的应用环境和相关设备的硬件结构和功能。下面,将基于上述应用环境和相关设备,提出本发明的各个实施例。
参阅图2所示,是本发明电子设备2中表格信息跨页识别系统20一实施例的程序模块图。本实施例中,所述的表格信息跨页识别系统20可以被分割成一个或多个程序模块,所述一个或者多个程序模块被存储于所述存储器21中,并由一个或多个处理器(本实施例中为所述处理器22)所执行,以完成本发明。例如,在图2中,所述的表格信息跨页识别系统20可以被分割成获取模块201、比对模块202、以及识别模块203。本发明所称的程序模块是指能够完成特定功能的一系列计算机程序指令段,比程序更适合于描述所述表格信息跨页识别系统20在所述电子设备2中的执行过程。以下将就各程序模块201-203的功能进行详细描述。
所述获取模块201,用于获取指定文档(如PDF文档)中每行文字的位置信息和标签信息。在本实施例中,可以使用特定的文字识别工具(如pdf2html工具)获取该指定文档中每行文字的位置信息和标签信息。该特定的文字识别工具可以将PDF文档解析为文本文件(如XML文件),同时解析出每行文本在PDF文档中每行文字的位置信息和标签信息。
优选地,在本实施例中,每行文字的位置信息包括,但不限于,每行文字的左边沿坐标、上边沿坐标、文本宽度、文本长度等坐标信息。其中,该指定文档中表格的每一行存储在相邻位置,即依据每行文字的位置信息(如左边沿坐标)依次存储。进一步地,每行文字的标签信息包括,但不限于,每行文字在所述指定文档(如PDF文档)的页码(即每行文字所在页面的序号)、页面长度、页面宽度等。
所述获取模块201,还用于针对该指定文档中相邻的前一表格和下一表格,获取前一表格文字内容的位置信息、标签信息和下一表格文字内容的位置信息、标签信息。
优选地,在本实施例中,所述前一表格文字内容的位置信息包括,但不限于,前一表格每行文字的左边沿坐标、上边沿坐标、文本宽度、文本长度等坐标信息,及前一表格每列文字的左边沿坐标等。所述前一表格文字内容的标签信息包括,但不限于,前一表格每行文字在所述指定文档(如PDF文档)的页码(即每行文字所在页面的序号)、页面长度、页面宽度等。
进一步地,所述下一表格文字内容的位置信息包括,但不限于,下一表格每行文字的左边沿坐标、上边沿坐标、文本宽度、文本长度等坐标信息,及下一表格每列文字的左边沿坐标等。所述下一表格文字内容的标签信息包括,但不限于,下一表格每行文字在所述指定文档(如PDF文档)的页码(即每行文字所在页面的序号)、页面长度、页面宽度等。
所述比对模块202,用于比对下一表格每列文字的左边沿坐标与前一表格对应每列文字的左边沿坐标。举例而言,参阅图4所示,比对下一表格第1列文字的左边沿坐标与前一表格第1列文字的左边沿坐标,比对下一表格第2列文字的左边沿坐标与前一表格第2列文字的左边沿坐标,依此类推。
所述比对模块202,还用于当下一表格每列文字的左边沿坐标与前一表格对应每列文字的左边沿坐标都相同时(代表下一表格与前一表格为同一表格),则比对下一表格每行文字的页码与前一表格每行文字的页码。举例而言,参阅图4所示,前一页(如第一页)的页尾包括前一表格,下一页(如第二页)的页首包括下一表格,其中,下一表格每列文字的左边沿坐标与前一表格对应每列文字的左边沿坐标都相同,则判定下一表格与前一表格为同一表格。
当下一表格每列文字的左边沿坐标与前一表格对应每列文字的左边沿坐标存在不同时,则判定下一表格与前一表格为不同表格,流程结束。
优选地,在本实施例中,若下一表格每列文字的左边沿坐标与前一表格对应每列文字的左边沿坐标之间的差值都小于预设阈值(如2个像素单位值),则判定下一表格每列文字的左边沿坐标与前一表格对应每列文字的左边沿坐标都相同。
所述识别模块203,用于若下一表格每行文字的页码与前一表格每行文字的页码存在不同,则判定下一表格与前一表格为存在跨页情形的同一表格,如图4所示的前一表格和下一表格为存在跨页情形的同一表格。若下一表格每行文字的页码与前一表格每行文字的页码都相同,则判定下一表格与前一表格为不存在跨页情形的同一表格,即下一表格与前一表格为位于同一页面的同一表格。
需要说明的是,本实施例是以在PDF文件的相邻两个表格(前一表格和下一表格)中识别出表格信息跨页情形为例进行说明,本领域技术人员可以理解,在其它实施例中,上述表格信息跨页识别系统20也可以针对PDF文件的特定表格(如财务表格)进行跨页情形识别,具体包括如下步骤A1-A3。
(A1)获取指定文档(如PDF文档)中每行文字的位置信息和标签信息。在本实施例中,可以使用特定的文字识别工具(如pdf2html工具)获取该指定文档中每行文字的位置信息和标签信息。该特定的文字识别工具可以将PDF文档解析为文本文件(如XML文件),同时解析出每行文本在PDF文档中每行文字的位置信息和标签信息。
其中,每行文字的位置信息包括,但不限于,每行文字的左边沿坐标、上边沿坐标、文本宽度、文本长度等坐标信息。该指定文档中表格的每一行存储在相邻位置,即依据每行文字的位置信息(如左边沿坐标)依次存储。进一步地,每行文字的标签信息包括,但不限于,每行文字在所述指定文档(如PDF文档)的页码(即每行文字所在页面的序号)、页面长度、页面宽度等。
(A2)定位该指定文档中的特定表格,获取该特定表格文字内容的位置信息和标签信息。其中,该特定表格文字内容的位置信息包括,但不限于,该特定表格每行文字的左边沿坐标、上边沿坐标、文本宽度、文本长度等坐标信息。该特定表格文字内容的标签信息包括,但不限于,该特定表格每行文字在所述指定文档(如PDF文档)的页码(即每行文字所在页面的序号)、页面长度、页面宽度等。
具体而言,可以通过该指定文档的特定规则,对该指定文档中的特定表格进行定位。例如,若该指定文档为PDF年报,则年报发布有明确的格式要求,可以根据类似下述的年报规则对特定表格进行判断。
如介绍主要客户和供应商时,表格标题会设为“主要销售客户和主要供应商情况”,因此这一标题后面就是客户供应商的特定表格。根据特定表格的标题关键词,则可以对介绍特定内容的表格进行定位,方便后续的解析。同理,PDF年报中的其它特定表格都有类似的格式。
(A3)根据该特定表格文字内容的位置信息(如上边沿坐标)依次读取该特定表格的每行文字(如上边沿坐标相同的文字为同一行),并根据该特定表格文字内容的标签信息获取每行文字的页码。
若该特定表格每行文字的页码存在不同,则判定该特定表格存在跨页情形(即识别出该特定表格位于不同页面的前一表格和下一表格)。若该特定表格每行文字的页码都相同,则判定该特定表格不存在跨页情形。
通过上述程序模块201-203,本发明所提出的表格信息跨页识别系统20,通过分析指定文档(如PDF文档)中表格文字内容的位置信息和标签信息,可以识别出表格(如PDF年报表格)中的跨页情形。该方法无需将PDF文件转化为word、excel等结构化文档,就能准确识别出表格的跨页情形,且重塑后表格信息损失小。
此外,本发明还提出一种表格信息跨页识别方法。
参阅图3所示,是本发明表格信息跨页识别方法一实施例的实施流程示意图。在本实施例中,根据不同的需求,图3所示的流程图中的步骤的执行顺序可以改变,某些步骤可以省略。
步骤S31,获取指定文档(如PDF文档)中每行文字的位置信息和标签信息。在本实施例中,可以使用特定的文字识别工具(如pdf2html工具)获取该指定文档中每行文字的位置信息和标签信息。该特定的文字识别工具可以将PDF文档解析为文本文件(如XML文件),同时解析出每行文本在PDF文档中每行文字的位置信息和标签信息。
优选地,在本实施例中,每行文字的位置信息包括,但不限于,每行文字的左边沿坐标、上边沿坐标、文本宽度、文本长度等坐标信息。其中,该指定文档中表格的每一行存储在相邻位置,即依据每行文字的位置信息(如左边沿坐标)依次存储。进一步地,每行文字的标签信息包括,但不限于,每行文字在所述指定文档(如PDF文档)的页码(即每行文字所在页面的序号)、页面长度、页面宽度等。
步骤S32,针对该指定文档中相邻的前一表格和下一表格,获取前一表格文字内容的位置信息、标签信息和下一表格文字内容的位置信息、标签信息。
优选地,在本实施例中,所述前一表格文字内容的位置信息包括,但不限于,前一表格每行文字的左边沿坐标、上边沿坐标、文本宽度、文本长度等坐标信息,及前一表格每列文字的左边沿坐标等。所述前一表格文字内容的标签信息包括,但不限于,前一表格每行文字在所述指定文档(如PDF文档)的页码(即每行文字所在页面的序号)、页面长度、页面宽度等。
进一步地,所述下一表格文字内容的位置信息包括,但不限于,下一表格每行文字的左边沿坐标、上边沿坐标、文本宽度、文本长度等坐标信息,及下一表格每列文字的左边沿坐标等。所述下一表格文字内容的标签信息包括,但不限于,下一表格每行文字在所述指定文档(如PDF文档)的页码(即每行文字所在页面的序号)、页面长度、页面宽度等。
步骤S33,比对下一表格每列文字的左边沿坐标与前一表格对应每列文字的左边沿坐标。举例而言,参阅图4所示,比对下一表格第1列文字的左边沿坐标与前一表格第1列文字的左边沿坐标,比对下一表格第2列文字的左边沿坐标与前一表格第2列文字的左边沿坐标,依此类推。
步骤S34,当下一表格每列文字的左边沿坐标与前一表格对应每列文字的左边沿坐标都相同时(代表下一表格与前一表格为同一表格),则比对下一表格每行文字的页码与前一表格每行文字的页码。举例而言,参阅图4所示,前一页(如第一页)的页尾包括前一表格,下一页(如第二页)的页首包括下一表格,其中,下一表格每列文字的左边沿坐标与前一表格对应每列文字的左边沿坐标都相同,则判定下一表格与前一表格为同一表格。
当下一表格每列文字的左边沿坐标与前一表格对应每列文字的左边沿坐标存在不同时,则判定下一表格与前一表格为不同表格,流程结束。
优选地,在本实施例中,若下一表格每列文字的左边沿坐标与前一表格对应每列文字的左边沿坐标之间的差值都小于预设阈值(如2个像素单位值),则判定下一表格每列文字的左边沿坐标与前一表格对应每列文字的左边沿坐标都相同。
步骤S35,若下一表格每行文字的页码与前一表格每行文字的页码存在不同,则判定下一表格与前一表格为存在跨页情形的同一表格,如图4所示的前一表格和下一表格为存在跨页情形的同一表格。若下一表格每行文字的页码与前一表格每行文字的页码都相同,则判定下一表格与前一表格为不存在跨页情形的同一表格,即下一表格与前一表格为位于同一页面的同一表格。
需要说明的是,本实施例是以在PDF文件的相邻两个表格(前一表格和下一表格)中识别出表格信息跨页情形为例进行说明,本领域技术人员可以理解,在其它实施例中,上述表格信息跨页识别方法也可以针对PDF文件的特定表格(如财务表格)进行跨页情形识别,方法包括如下步骤A1-A3。
(A1)获取指定文档(如PDF文档)中每行文字的位置信息和标签信息。在本实施例中,可以使用特定的文字识别工具(如pdf2html工具)获取该指定文档中每行文字的位置信息和标签信息。该特定的文字识别工具可以将PDF文档解析为文本文件(如XML文件),同时解析出每行文本在PDF文档中每行文字的位置信息和标签信息。
其中,每行文字的位置信息包括,但不限于,每行文字的左边沿坐标、上边沿坐标、文本宽度、文本长度等坐标信息。该指定文档中表格的每一行存储在相邻位置,即依据每行文字的位置信息(如左边沿坐标)依次存储。进一步地,每行文字的标签信息包括,但不限于,每行文字在所述指定文档(如PDF文档)的页码(即每行文字所在页面的序号)、页面长度、页面宽度等。
(A2)定位该指定文档中的特定表格,获取该特定表格文字内容的位置信息和标签信息。其中,该特定表格文字内容的位置信息包括,但不限于,该特定表格每行文字的左边沿坐标、上边沿坐标、文本宽度、文本长度等坐标信息。该特定表格文字内容的标签信息包括,但不限于,该特定表格每行文字在所述指定文档(如PDF文档)的页码(即每行文字所在页面的序号)、页面长度、页面宽度等。
具体而言,可以通过该指定文档的特定规则,对该指定文档中的特定表格进行定位。例如,若该指定文档为PDF年报,则年报发布有明确的格式要求,可以根据类似下述的年报规则对特定表格进行判断。
如介绍主要客户和供应商时,表格标题会设为“主要销售客户和主要供应商情况”,因此这一标题后面就是客户供应商的特定表格。根据特定表格的标题关键词,则可以对介绍特定内容的表格进行定位,方便后续的解析。同理,PDF年报中的其它特定表格都有类似的格式。
(A3)根据该特定表格文字内容的位置信息(如上边沿坐标)依次读取该特定表格的每行文字(如上边沿坐标相同的文字为同一行),并根据该特定表格文字内容的标签信息获取每行文字的页码。
若该特定表格每行文字的页码存在不同,则判定该特定表格存在跨页情形(即识别出该特定表格位于不同页面的前一表格和下一表格)。若该特定表格每行文字的页码都相同,则判定该特定表格不存在跨页情形。
通过上述步骤S31-S35及其相关步骤,本发明所提出的表格信息跨页识别方法,通过分析指定文档(如PDF文档)中表格文字内容的位置信息和标签信息,可以识别出表格(如PDF年报表格)中的跨页情形。该方法无需将PDF文件转化为word、excel等结构化文档,就能准确识别出表格的跨页情形,且重塑后表格信息损失小。
进一步地,为实现上述目的,本发明还提供一种计算机可读存储介质(如ROM/RAM、磁碟、光盘),所述计算机可读存储介质存储有表格信息跨页识别系统20,所述表格信息跨页识别系统20可被至少一个处理器22执行,以使所述至少一个处理器22执行如上所述的表格信息跨页识别方法的步骤。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件来实现,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本发明各个实施例所述的方法。
以上参照附图说明了本发明的优选实施例,并非因此局限本发明的权利范围。上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。另外,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
本领域技术人员不脱离本发明的范围和实质,可以有多种变型方案实现本发明,比如作为一个实施例的特征可用于另一实施例而得到又一实施例。凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种电子设备,其特征在于,所述电子设备包括存储器和处理器,所述存储器上存储有可在所述处理器上运行的表格信息跨页识别系统,所述表格信息跨页识别系统被所述处理器执行时实现如下步骤:
获取指定文档中每行文字的位置信息和标签信息;
针对该指定文档中相邻的前一表格和下一表格,获取前一表格文字内容的位置信息、标签信息和下一表格文字内容的位置信息、标签信息;
比对下一表格每列文字的左边沿坐标与前一表格对应每列文字的左边沿坐标;
当下一表格每列文字的左边沿坐标与前一表格对应每列文字的左边沿坐标都相同时,比对下一表格每行文字的页码与前一表格每行文字的页码;及
若下一表格每行文字的页码与前一表格每行文字的页码存在不同,则判定下一表格与前一表格为存在跨页情形的同一表格。
2.如权利要求1所述的电子设备,其特征在于,每行文字的位置信息包括:每行文字的左边沿坐标、上边沿坐标、文本宽度、文本长度;每行文字的标签信息包括:每行文字在所述指定文档的页码、页面长度、页面宽度。
3.如权利要求1所述的电子设备,其特征在于,所述表格信息跨页识别系统被所述处理器执行时还用于实现如下步骤:
当下一表格每列文字的左边沿坐标与前一表格对应每列文字的左边沿坐标存在不同时,则判定下一表格与前一表格为不同表格。
4.如权利要求1所述的电子设备,其特征在于,所述表格信息跨页识别系统被所述处理器执行时还用于实现如下步骤:
若下一表格每列文字的左边沿坐标与前一表格对应每列文字的左边沿坐标之间的差值都小于预设阈值,则判定下一表格每列文字的左边沿坐标与前一表格对应每列文字的左边沿坐标都相同。
5.如权利要求1所述的电子设备,其特征在于,所述表格信息跨页识别系统被所述处理器执行时还用于实现如下步骤:
若下一表格每行文字的页码与前一表格每行文字的页码都相同,则判定下一表格与前一表格为不存在跨页情形的同一表格。
6.一种表格信息跨页识别方法,应用于电子设备,其特征在于,所述方法包括:
获取指定文档中每行文字的位置信息和标签信息;
针对该指定文档中相邻的前一表格和下一表格,获取前一表格文字内容的位置信息、标签信息和下一表格文字内容的位置信息、标签信息;
比对下一表格每列文字的左边沿坐标与前一表格对应每列文字的左边沿坐标;
当下一表格每列文字的左边沿坐标与前一表格对应每列文字的左边沿坐标都相同时,比对下一表格每行文字的页码与前一表格每行文字的页码;及
若下一表格每行文字的页码与前一表格每行文字的页码存在不同,则判定下一表格与前一表格为存在跨页情形的同一表格。
7.如权利要求6所述的表格信息跨页识别方法,其特征在于,每行文字的位置信息包括:每行文字的左边沿坐标、上边沿坐标、文本宽度、文本长度;每行文字的标签信息包括:每行文字在所述指定文档的页码、页面长度、页面宽度。
8.如权利要求6所述的表格信息跨页识别方法,其特征在于,该方法还包括步骤:
当下一表格每列文字的左边沿坐标与前一表格对应每列文字的左边沿坐标存在不同时,则判定下一表格与前一表格为不同表格;
若下一表格每列文字的左边沿坐标与前一表格对应每列文字的左边沿坐标之间的差值都小于预设阈值,则判定下一表格每列文字的左边沿坐标与前一表格对应每列文字的左边沿坐标都相同;及
若下一表格每行文字的页码与前一表格每行文字的页码都相同,则判定下一表格与前一表格为不存在跨页情形的同一表格。
9.一种表格信息跨页识别方法,应用于电子设备,其特征在于,所述方法包括:
获取指定文档中每行文字的位置信息和标签信息;
定位该指定文档中的特定表格,获取该特定表格文字内容的位置信息和标签信息;
根据该特定表格文字内容的位置信息依次读取该特定表格的每行文字,并根据该特定表格文字内容的标签信息获取每行文字的页码;及
若该特定表格每行文字的页码存在不同,则判定该特定表格存在跨页情形。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有表格信息跨页识别系统,所述表格信息跨页识别系统可被至少一个处理器执行,以使所述至少一个处理器执行如权利要求6-9中任一项所述的表格信息跨页识别方法的步骤。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710959704.5A CN107844468A (zh) | 2017-10-16 | 2017-10-16 | 表格信息跨页识别方法、电子设备及计算机可读存储介质 |
PCT/CN2018/076166 WO2019075968A1 (zh) | 2017-10-16 | 2018-02-10 | 表格信息跨页识别方法、电子设备及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710959704.5A CN107844468A (zh) | 2017-10-16 | 2017-10-16 | 表格信息跨页识别方法、电子设备及计算机可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107844468A true CN107844468A (zh) | 2018-03-27 |
Family
ID=61662462
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710959704.5A Pending CN107844468A (zh) | 2017-10-16 | 2017-10-16 | 表格信息跨页识别方法、电子设备及计算机可读存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN107844468A (zh) |
WO (1) | WO2019075968A1 (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110852045A (zh) * | 2018-08-01 | 2020-02-28 | 珠海金山办公软件有限公司 | 一种删除文档内容的方法、装置、电子设备及存储介质 |
CN111753717A (zh) * | 2020-06-23 | 2020-10-09 | 北京百度网讯科技有限公司 | 用于提取文本的结构化信息的方法、装置、设备及介质 |
CN112287660A (zh) * | 2019-12-04 | 2021-01-29 | 上海柯林布瑞信息技术有限公司 | Pdf文件中的表格解析方法及装置、计算设备、存储介质 |
CN113362026A (zh) * | 2021-06-04 | 2021-09-07 | 北京金山数字娱乐科技有限公司 | 文本处理方法及装置 |
CN113761833A (zh) * | 2021-08-16 | 2021-12-07 | 联想(北京)有限公司 | 一种文档内容的显示方法、装置及设备 |
WO2022105172A1 (zh) * | 2020-11-17 | 2022-05-27 | 平安科技(深圳)有限公司 | Pdf文档跨页表格合并方法、装置、电子设备及存储介质 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110968667B (zh) * | 2019-11-27 | 2023-04-18 | 广西大学 | 一种基于文本状态特征的期刊文献表格抽取方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102508826A (zh) * | 2011-11-03 | 2012-06-20 | 汉王科技股份有限公司 | 一种文档中的表格显示方法及装置 |
CN103186510A (zh) * | 2011-12-30 | 2013-07-03 | 北大方正集团有限公司 | 一种转换文档格式的方法和装置 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102722475A (zh) * | 2012-05-09 | 2012-10-10 | 深圳市万兴软件有限公司 | 一种PDF文档中的表格转换成Excel表格的方法 |
CN102855232B (zh) * | 2012-09-14 | 2016-02-24 | 同方知网数字出版技术股份有限公司 | 一种表格分析编改加工方法 |
-
2017
- 2017-10-16 CN CN201710959704.5A patent/CN107844468A/zh active Pending
-
2018
- 2018-02-10 WO PCT/CN2018/076166 patent/WO2019075968A1/zh active Application Filing
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102508826A (zh) * | 2011-11-03 | 2012-06-20 | 汉王科技股份有限公司 | 一种文档中的表格显示方法及装置 |
CN103186510A (zh) * | 2011-12-30 | 2013-07-03 | 北大方正集团有限公司 | 一种转换文档格式的方法和装置 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110852045A (zh) * | 2018-08-01 | 2020-02-28 | 珠海金山办公软件有限公司 | 一种删除文档内容的方法、装置、电子设备及存储介质 |
CN112287660A (zh) * | 2019-12-04 | 2021-01-29 | 上海柯林布瑞信息技术有限公司 | Pdf文件中的表格解析方法及装置、计算设备、存储介质 |
CN111753717A (zh) * | 2020-06-23 | 2020-10-09 | 北京百度网讯科技有限公司 | 用于提取文本的结构化信息的方法、装置、设备及介质 |
CN111753717B (zh) * | 2020-06-23 | 2023-07-28 | 北京百度网讯科技有限公司 | 用于提取文本的结构化信息的方法、装置、设备及介质 |
WO2022105172A1 (zh) * | 2020-11-17 | 2022-05-27 | 平安科技(深圳)有限公司 | Pdf文档跨页表格合并方法、装置、电子设备及存储介质 |
CN113362026A (zh) * | 2021-06-04 | 2021-09-07 | 北京金山数字娱乐科技有限公司 | 文本处理方法及装置 |
CN113761833A (zh) * | 2021-08-16 | 2021-12-07 | 联想(北京)有限公司 | 一种文档内容的显示方法、装置及设备 |
Also Published As
Publication number | Publication date |
---|---|
WO2019075968A1 (zh) | 2019-04-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107844468A (zh) | 表格信息跨页识别方法、电子设备及计算机可读存储介质 | |
CN107818075A (zh) | 表格信息结构化提取方法、电子设备及计算机可读存储介质 | |
CN107832676A (zh) | 表格信息换行识别方法、电子设备及计算机可读存储介质 | |
CN107688789A (zh) | 文档图表抽取方法、电子设备及计算机可读存储介质 | |
CN111476227B (zh) | 基于ocr的目标字段识别方法、装置及存储介质 | |
CN107689070A (zh) | 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 | |
CN114238575A (zh) | 文档解析方法、系统、计算机设备及计算机可读存储介质 | |
CN111159982B (zh) | 文档编辑方法、装置、电子设备及计算机可读存储介质 | |
CN107679084A (zh) | 聚类标签生成方法、电子设备及计算机可读存储介质 | |
CN108038120A (zh) | 协同过滤推荐方法、电子设备及计算机可读存储介质 | |
CN107908843B (zh) | 基于图签信息提取的管理系统 | |
CN107688651A (zh) | 新闻情感方向判断方法、电子设备及计算机可读存储介质 | |
CN109614914A (zh) | 车位顶点定位方法、装置和存储介质 | |
CN107766322A (zh) | 同名实体识别方法、电子设备及计算机可读存储介质 | |
CN108921193B (zh) | 图片录入方法、服务器及计算机存储介质 | |
CN107688564A (zh) | 新闻主体企业识别方法、电子设备及计算机可读存储介质 | |
CN114528811B (zh) | 文章内容抽取方法、装置、设备及存储介质 | |
CN108170838B (zh) | 话题演变的可视化展现方法、应用服务器及计算机可读存储介质 | |
CN107688788A (zh) | 文档图表抽取方法、电子设备及计算机可读存储介质 | |
CN112699634B (zh) | 电子书的排版处理方法、电子设备及存储介质 | |
CN115690821A (zh) | 一种电子卷宗智能编目方法和计算机设备 | |
CN115186240A (zh) | 基于关联性信息的社交网络用户对齐方法、装置、介质 | |
CN112100978B (zh) | 基于电子书的排版处理方法、电子设备及存储介质 | |
CN113283231A (zh) | 获取签章位的方法、设置系统、签章系统及存储介质 | |
CN111046629B (zh) | 大纲显示方法、装置及设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180327 |