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：深圳市财富趋势科技股份有限公司

摘要：本发明实施例公开了一种PDF文档跨页表格合并方法、装置及相关设备。该方法包括对PDF文档进行结构化处理，得到PDF文档的结构化文档；根据结构化文档判断PDF文档中相邻两个页面间是否存在合并条件；若相邻两个页面间存在合并条件，则通过预训练的表头识别模型对结构化文档每一页面中的表格进行表头识别，判断相邻两个页面是否均存在表头；若相邻两个页面均存在表头则判断表头是否一致，若表头一致则移除下一页面的表头，将两个页面的表体进行合并处理；若表头不一致，则不进行合并处理；若相邻两个页面均不存在表头，则将两个页面的表体进行合并处理。该方法相比传统方法对判断跨页表格是否需要合并有较高的准确率。

主权项：1.一种PDF文档跨页表格合并方法，其特征在于，包括：对PDF文档进行结构化处理，得到所述PDF文档的结构化文档，所述结构化文档中每一个页面的正文划分为文本和表格；根据所述结构化文档判断所述PDF文档中相邻两个页面间是否存在合并条件，所述合并条件为相邻两个页面上一页的正文底部为表格，下一页的正文顶部为表格，且表格的宽距和单元格数量相等；若相邻两个页面间存在合并条件，则通过预训练的表头识别模型对所述结构化文档每一页面中的表格进行表头识别，判断相邻两个页面是否均存在表头；若相邻两个页面均存在表头则判断表头是否一致，若表头一致则移除下一页面的表头，将两个页面的表体进行合并处理；若表头不一致，则不进行合并处理；若相邻两个页面均不存在表头，则将两个页面的表体进行合并处理；所述若表头一致则移除下一页面的表头，将两个页面的表体进行合并处理，包括：检测表头一致的相邻两个页面相接的两行单元格是否满足以下条件：排布相同，列信息一致，且无跨行单元格；若满足，则对相接的两行单元格进行合并处理；若不满足，则对相接的两行单元格进行拼接处理；所述对相接的两行单元格进行合并处理，包括：将相接的两行单元格中每一相对的两个单元格作为一个单元格组，基于预训练的语义识别模型检测相接的两行单元格中的单元格组是否存在分割内容，若是，则对对应的单元格组进行合并处理；若否，则不对对应的单元格组进行合并处理；所述基于预训练的语义识别模型检测相接的两行单元格中的单元格组是否存在分割内容，若是，则对对应的单元格组进行合并处理；若否，则不对对应的单元格组进行合并处理，包括：确定相接的两行单元格中存在分割内容的单元格组并作为分割单元格组；判断相接的两行单元格中除分割单元格组外的其他单元格组中是否均存在空白内容，若是则对相接的两行单元格中的所有单元格组进行合并处理，若否则仅对分割单元格组进行合并处理；所述基于预训练的语义识别模型检测相接的两行单元格中的单元格组是否存在分割内容，包括：通过所述语义识别模型将所述单元格组内两个单元格的文本表达为第一语义向量和第二语义向量；根据余弦相似度函数分别计算所述第一语义向量和第二语义向量与同列其他单元格内文本的平均语义相似度，得到第一相似度和第二相似度；计算单元格组两个单元格合并后的文本与合并后同列其他单元格内文本的平均相似度，得到目标相似度；若目标相似度大于第一相似度和第二相似度，则确定相接的两行单元格中的单元格组存在分割内容。

全文数据：

权利要求：

百度查询： 深圳市财富趋势科技股份有限公司 PDF文档跨页表格合并方法、装置及相关设备