首页 专利交易 科技果 科技人才 科技服务 国际服务 商标交易 会员权益 IP管家助手 需求市场 关于龙图腾
 /  免费注册
到顶部 到底部
清空 搜索

一种基于PDF文档的表格信息提取方法、装置及设备 

买专利卖专利找龙图腾,真高效! 查专利查商标用IPTOP,全免费!专利年费监控用IP管家,真方便!

申请/专利权人:深圳职业技术学院

摘要:本发明提供了一种基于PDF文档的表格信息提取方法、装置及设备,对电子化生成的海运提单PDF文档进行表格结构的提取,并对表格结构进行表格线补全,通过完整的表格结构,进行基于连通域检测的文本内容空间划分,并对目标连通域进行“键值‑内容”对的匹配、整合、提取,从而提高了海运提单中表格信息提取的准确度。通过对海运提单内容的自动化解析和提取,有利于提高海运提单信息的核对效率,以构建智慧海运信息平台,从而节省海运服务公司的人力消耗和物力消耗。

主权项:1.一种基于PDF文档的表格信息提取方法,其特征在于,包括:提取海运提单PDF文档的线型元素,按照所述线型元素在所述PDF文档中的位置关系,构建第一表格结构图;根据所述第一表格结构图,对所述文档进行连通域的检测和字符位置映射,获得连通域集合;其中,所述连通域集合中每个连通域包含字符数据和物理数据,以及所述物理数据包括字符位置、连通域高度和连通域面积;根据每个连通域中的物理数据,比较每个连通域中的字符位置,获得每个连通域对应的第一文本内容;对所有连通域进行检测,获得目标连通域,并根据每个目标连通域的连通域高度和连通域面积,获得第二文本内容;整合所述第一文本内容和所述第二文本内容,获得海运提单的数据字典;其中,所述根据每个连通域中的物理数据,通过比较每个连通域中的字符位置,获得每个连通域对应的第一文本内容,具体为:根据所述连通域中的物理数据,获取每个字符的字符位置,并计算获得字符间的竖直距离和水平距离;按照从上到下、从左到右的顺序遍历每一个字符,在相邻字符之间的竖直距离大于分行阈值的情况下,将两个字符分别拼接到相邻两行的句子中;在相邻字符之间的竖直距离小于分行阈值的情况下,若相邻字符之间的水平距离小于同词阈值,则将两个字符拼接到一个单词中;若相邻字符之间的水平距离大于同词阈值且小于同句阈值,则将两个字符分别拼接到两个相邻的单词中;若相邻字符之间的水平距离大于同句阈值,则将两个字符分别拼接到两个相邻的句子中;将每个连通域中的字符进行拼接后,获得每个所述连通域对应的第一文本内容;所述对所有连通域进行检测,获得目标连通域,并根据每个目标连通域的连通域高度和连通域面积,获得第二文本内容,具体为:设置正则匹配表达式,进行连通域的目标键值匹配,确定目标连通域,根据所述连通域高度和连通域面积,判断所述连通域中是否仅存在键值;若目标连通域为单行文本高度,则所述连通域中仅存在键值,提取所述单行文本高度的连通域中的所有文本内容作为键值;若目标连通域为非单行文本高度,则所述连通域中存在“键值-内容”对,提取所述非单行文本高度的连通域中的第一行文本内容作为键值;提取所有目标连通域中的键值,获得第二文本内容。

全文数据:

权利要求:

百度查询: 深圳职业技术学院 一种基于PDF文档的表格信息提取方法、装置及设备

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。