本發(fā)明屬于pdf文件解析，具體地說(shuō)，是涉及一種pdf轉(zhuǎn)word場(chǎng)景下跨行、跨列單元格識(shí)別方法、系統(tǒng)、裝置及介質(zhì)。

背景技術(shù)：

1、在pdf格式文件轉(zhuǎn)換成docx文件的場(chǎng)景中，pdf文件中常常會(huì)存在表格信息，雖然現(xiàn)有技術(shù)中有pdf表格信息識(shí)別的解決方案，但是針對(duì)pdf表格涉及跨行、跨列等特殊情況，現(xiàn)有技術(shù)并不能準(zhǔn)確的識(shí)別出。因此，在pdf文件的轉(zhuǎn)換過(guò)程中，如何在表格具有跨行、跨列等情況下，準(zhǔn)確的識(shí)別出完整且準(zhǔn)確的表格，就成為了本領(lǐng)域亟需解決的技術(shù)問(wèn)題。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明的目的在于提供一種pdf轉(zhuǎn)word場(chǎng)景下跨行、跨列單元格識(shí)別方法，以解決現(xiàn)有技術(shù)所存在的技術(shù)問(wèn)題。

2、為了實(shí)現(xiàn)上述目的，本發(fā)明采取的技術(shù)方案如下：

3、一種pdf轉(zhuǎn)word場(chǎng)景下跨行、跨列單元格識(shí)別方法，包括以下步驟：

4、步驟s1：通過(guò)pdf表格識(shí)別方法，獲取到所有的封閉圖形信息，封閉圖形信息具有top、bottom、left、right信息；

5、步驟s2：封閉圖形分類(lèi)，并組合成表格的行信息：（2.1）：將所有封閉圖形按照top信息從上到下、left信息從左到右進(jìn)行排序，構(gòu)成封閉圖形集合；（2.2）：根據(jù)行信息遍歷方法遍歷封閉圖形集合；

6、步驟s3：二階段進(jìn)行列信息初始化：將封閉圖形分類(lèi)，并組合成表格的列信息：（3.1）：根據(jù)步驟s2獲得的表格的行信息，行信息包含至少一個(gè)封閉圖形，將所有封閉圖形按照l(shuí)eft從左到右的順序進(jìn)行排序，構(gòu)成封閉圖形集合；（3.2）：根據(jù)列信息遍歷方法遍歷封閉圖形集合；（3.3）：遍歷列信息集合，統(tǒng)計(jì)當(dāng)前行以行信息top作為基準(zhǔn)時(shí)，當(dāng)前行的內(nèi)部存在多少行，記為rowcount，并且每一行的top所形成的集合，記為tops；

7、步驟s4：計(jì)算跨行、跨列數(shù)；

8、步驟s5：根據(jù)計(jì)算的跨行、跨列數(shù)，完成表格的構(gòu)建。

9、在一種實(shí)施方案中，所述行信息遍歷方法如下：

10、（2.2.1）如果當(dāng)前封閉圖形不存在行信息，以當(dāng)前封閉圖形的top信息作為基線(xiàn)，創(chuàng)建新的行信息，將當(dāng)前封閉圖形加入所述新的行信息中；

11、（2.2.2）如果當(dāng)前封閉圖形存在行信息，則判斷當(dāng)前封閉圖形的top信息是否等于行信息top，并根據(jù)判斷結(jié)果執(zhí)行以下步驟：

12、（2.2.2.1）如果封閉圖形的top信息與行信息top相等，判斷行信息bottom是否需要更新，判斷當(dāng)前封閉圖形的boottom是否大于行信息的bottom，如果大于則更新，并將當(dāng)前行標(biāo)記為存在單元格合并，將當(dāng)前封閉圖形加入當(dāng)前行，如果不大于則不更新，并將當(dāng)前封閉圖形加入當(dāng)前行；

13、（2.2.2.2）如果封閉圖形的top信息與行信息的top不相等，并且當(dāng)前封閉圖形的top信息小于等于行信息的bottom，判斷當(dāng)前封閉圖形的boottom是否大于行信息的bottom：若是，則將當(dāng)前封閉圖形按照行信息的bottom進(jìn)行拆分，拆分為兩個(gè)封閉圖形，將兩個(gè)封閉圖形加入隊(duì)列，并照行信息的top從上到下、left信息從左到右進(jìn)行排序，再將當(dāng)前行標(biāo)記為存在單元格合并，將當(dāng)前拆分后小于行信息bottom的封閉圖形加入當(dāng)前行中；若否，將當(dāng)前行標(biāo)記為存在單元格合并，將當(dāng)前封閉圖形加入當(dāng)前行中；

14、（2.2.2.3）如果封閉圖形的top信息與行信息的top不相等，并且當(dāng)前封閉圖形的top信息大于行信息的bottom，將之前封閉圖形形成的行進(jìn)行保存，構(gòu)建新的行信息，將當(dāng)前封閉圖形加入新的行中。

15、在一種實(shí)施方案中，所述列信息遍歷方法如下：（3.2.1）如果當(dāng)前列信息集合為空，構(gòu)建新的列信息，并將當(dāng)前封閉圖形加入到新的列中；（3.2.2）如果當(dāng)前列集合不為空，判斷當(dāng)前封閉圖形是否被包含在某個(gè)列信息中，若是，則將當(dāng)前封閉圖形加入到當(dāng)前列中，若否，構(gòu)建一個(gè)新的列，將當(dāng)前封閉圖形加入到新的列中。

16、在一種實(shí)施方案中，所述步驟s4的具體方法如下：

17、（4.1）：根據(jù)步驟s3中的標(biāo)記的存在單元格合并，判斷當(dāng)前行是否存在行合并，若否，執(zhí)行步驟（4.2），若是，則執(zhí)行步驟（4.3）；

18、（4.2）：直接根據(jù)行信息、列信息順序生成新的單元；

19、（4.3）：

20、（4.3.1）：遍歷當(dāng)前行信息中的列信息，找到當(dāng)前行信息下哪一列具有最多的行，記為rowcount；遍歷所有列信息，根據(jù)tops獲取每一行的最小高度，記為minheigh；

21、（4.3.2）：遍歷所述步驟（4.3.1）中的rowcount進(jìn)行表格行生成，每行的生成以所述步驟（4.3.1）中的minheight作為當(dāng)前行的高度：

22、獲取當(dāng)前行的合并信息mergemaps，根據(jù)i從當(dāng)前列的tops中獲取行top，再根據(jù)top獲取當(dāng)前列有多少封閉圖形，遍歷封閉圖形集合，如果當(dāng)前mergemaps不為空，根據(jù)mergemaps信息，為當(dāng)前行進(jìn)行單元格補(bǔ)充，并為補(bǔ)充單元格補(bǔ)充虛線(xiàn)框樣式，計(jì)算出跨行數(shù)；

23、（4.3.3）：當(dāng)完成所有行的遍歷后，以minheight作為基準(zhǔn)，創(chuàng)建一個(gè)補(bǔ)充單元格，用于行合并，并添加到行合并信息mergemap中；

24、（4.3.4）：根據(jù)封閉圖形的left、right，與具有最多列的的行信息進(jìn)行計(jì)算，獲取當(dāng)前封閉圖形的跨列數(shù)，計(jì)算出跨列數(shù)。

25、在一種實(shí)施方案中，所述步驟s1中，pdf表格識(shí)別方法包括：

26、步驟s1.1：構(gòu)建線(xiàn)段：獲取pdf中的坐標(biāo)信息，根據(jù)坐標(biāo)信息形成的路徑生成出所有的線(xiàn)段信息；

27、步驟s1.2：二維數(shù)組轉(zhuǎn)換：根據(jù)pdf的頁(yè)面的寬和高確定二維數(shù)組的規(guī)模：高做行，寬做列，根據(jù)步驟s1.1的得到的線(xiàn)段信息，確定線(xiàn)段在二維數(shù)組中所在的位置，將線(xiàn)段所在區(qū)域位置的值設(shè)置為1；

28、步驟s1.3：利用感染算法構(gòu)建表格區(qū)域：步驟s1.3.1：遍歷二維數(shù)組，當(dāng)遇到某個(gè)區(qū)域位置的值等于1時(shí)，從當(dāng)前位置出發(fā)，利用感染算法感染相鄰的所有的值為1的區(qū)域位置；步驟s1.3.2：將所述區(qū)域位置的值由1更改成2；步驟s1.3.3：獲得整體的感染范圍，基于感染范圍構(gòu)建表格區(qū)域；

29、步驟s1.4：利用孤島算法構(gòu)建單元格信息：基于所述步驟s3構(gòu)建的表格區(qū)域，遍歷表格區(qū)域，當(dāng)遇到某個(gè)區(qū)域位置的值等于0時(shí)，從當(dāng)前出發(fā)，利用孤島算法，獲取到表格區(qū)域中所有的孤島，每一個(gè)孤島即是每一個(gè)單元格；

30、步驟s1.5：獲取左右邊框和上下邊框信息，并根據(jù)左右邊框和上下邊框信息構(gòu)建邊框信息：

31、步驟s1.6：生成并校驗(yàn)封閉區(qū)域信息：利用所述步驟s1.4中的單元格信息，所述步驟s1.5中的邊框信息，組合構(gòu)成封閉圖形；

32、步驟s1.7：構(gòu)建表格信息：將步驟s1.6得到的封閉圖形按照從上到下、從左到右的順序進(jìn)行排序后，判斷封閉圖形之間的連續(xù)性，若任意一條邊相鄰或重疊，將他們進(jìn)存放在同一個(gè)集合中，最終確定出一個(gè)完整的帶邊框的表格。

33、為實(shí)現(xiàn)上述目的，本發(fā)明還提供了一種實(shí)現(xiàn)所述的pdf轉(zhuǎn)word場(chǎng)景下跨行、跨列單元格識(shí)別方法的系統(tǒng)，包括：

34、pdf表格識(shí)別模塊：通過(guò)pdf表格識(shí)別方法，獲取到所有的封閉圖形信息，封閉圖形信息具有top、bottom、left、right信息；

35、封閉圖形分類(lèi)模塊：封閉圖形分類(lèi)，并組合成表格的行信息：（2.1）：將所有封閉圖形按照top信息從上到下、left信息從左到右進(jìn)行排序，構(gòu)成封閉圖形集合；（2.2）：根據(jù)行信息遍歷方法遍歷封閉圖形集合；

36、列信息初始化模塊：二階段進(jìn)行列信息初始化：將封閉圖形分類(lèi)，并組合成表格的列信息：（3.1）：根據(jù)步驟s2獲得的表格的行信息，行信息包含至少一個(gè)封閉圖形，將所有封閉圖形按照l(shuí)eft從左到右的順序進(jìn)行排序，構(gòu)成封閉圖形集合；（3.2）：根據(jù)列信息遍歷方法遍歷封閉圖形集合；（3.3）：遍歷列信息集合，統(tǒng)計(jì)當(dāng)前行以行信息top作為基準(zhǔn)時(shí)，當(dāng)前行的內(nèi)部存在多少行，記為rowcount，并且每一行的top所形成的集合，記為tops；

37、計(jì)算模塊：計(jì)算跨行、跨列數(shù)；

38、表格構(gòu)建模塊：根據(jù)計(jì)算的跨行、跨列數(shù)，完成表格的構(gòu)建。

39、為實(shí)現(xiàn)上述目的，本發(fā)明還提供了一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，其上存儲(chǔ)有計(jì)算機(jī)程序，所述計(jì)算機(jī)程序被處理器執(zhí)行，以實(shí)現(xiàn)所述的pdf轉(zhuǎn)word場(chǎng)景下跨行、跨列單元格識(shí)別方法。

40、為實(shí)現(xiàn)上述目的，本發(fā)明還提供了一種pdf轉(zhuǎn)word場(chǎng)景下跨行、跨列單元格識(shí)別裝置，包括：處理器和存儲(chǔ)器；所述存儲(chǔ)器用于存儲(chǔ)計(jì)算機(jī)程序；所述處理器與所述存儲(chǔ)器相連，用于執(zhí)行所述存儲(chǔ)器存儲(chǔ)的計(jì)算機(jī)程序，以使得所述pdf轉(zhuǎn)word場(chǎng)景下跨行、跨列單元格識(shí)別裝置執(zhí)行所述的pdf轉(zhuǎn)word場(chǎng)景下跨行、跨列單元格識(shí)別方法。

41、與現(xiàn)有技術(shù)相比，本發(fā)明具備以下有益效果：

42、本發(fā)明通過(guò)基線(xiàn)top的概念對(duì)行進(jìn)行分類(lèi)組合，再通過(guò)生成的行信息，遍歷封閉圖形，對(duì)列進(jìn)行分類(lèi)組合，得到行、列信息后，通過(guò)minheight與tops的關(guān)系計(jì)算出跨行數(shù)，通過(guò)left、right與具有最大列數(shù)的行的列信息之間的關(guān)系計(jì)算出跨列數(shù)；識(shí)別出pdf中的封閉矩形后，可以準(zhǔn)確的識(shí)別出完整且準(zhǔn)確的表格，使得在pdf轉(zhuǎn)word的場(chǎng)景下，可以準(zhǔn)確并完整的轉(zhuǎn)換出表格信息，并且本發(fā)明使用純算法實(shí)現(xiàn)，不需要借助任何三方工具，速度具有極大的優(yōu)勢(shì)。