一种面向PDF文档的表格数据抽取方法及装置

专利主权项内容

（macrodatas.cn） （来 自 马 克 数 据 网） 1.一种面向PDF文档的表格数据抽取方法，包括：对PDF文档进行解析，得到其中包含的初始表格和多页文本内容；将所述多页文本内容转换为对应的各个文本列表，单个文本列表包括多行文本；从所述各个文本列表中，选取所述初始表格所在页对应的目标文本列表；按照预设符号，对所述目标文本列表进行切分，得到文本二维列表；根据所述初始表格的第一行数和第一列数，以及所述文本二维列表的第二列数，确定所述初始表格的表格类别；所述确定所述初始表格的表格类别包括，若所述第一行数小于预设行数，且所述第一列数和所述第二列数相等，则确定所述表格类别为三线表；若所述第二列数与所述第一列数的差值等于预设列数，则确定所述表格类别为边框缺失表；若所述第二列数与所述第一列数的差值大于预设列数，则确定所述表格类别为颜色阶梯表；根据确定的表格类别，对所述初始表格进行重构，得到重构表格；将所述重构表格确定为从所述PDF文档中抽取的表格数据；所述对所述初始表格进行重构，包括：在所述表格类别为三线表或颜色阶梯表的情况下，针对所述初始表格在所述目标文本列表中的对应区域的每一行，按照空格对其进行切分，并通过对切分得到的若干一维列表进行聚类，确定出目标列数，以及将所述初始表格中的内容对应填入具有所述目标列数和所述对应区域所含行数的表格中，得到所述重构表格；在所述表格类别为边框缺失表的情况下，补齐所述初始表格的左右两列，并用None填充补齐列后的初始表格中的缺失内容，得到对应的重构表格。