基于PDF文字流的表格識別技術(shù)的研究.pdf

1、PDF(Portabledocumentformat)是一種目前國際通用的電子文檔開放標(biāo)準(zhǔn)。這種文件格式與操作系統(tǒng)平臺無關(guān),這一特點(diǎn)使它成為在Internet上進(jìn)行電子文檔發(fā)行和數(shù)字化信息傳播的理想文檔格式。越來越多的電子圖書、產(chǎn)品說明、公司文件、網(wǎng)絡(luò)資料、電子郵件開始使用PDF格式文件,各國政府機(jī)關(guān)、企事業(yè)單位均大量采用該格式作為標(biāo)準(zhǔn),進(jìn)行信息發(fā)布、交換與存儲。
　　 表格作為PDF電子文檔內(nèi)容的重要組成部分,在實(shí)際工作和生活

2、中被復(fù)用和再編輯的頻率非常高,然而PDF表格具有的獨(dú)特結(jié)構(gòu),使得一些常用的表格操作難以完成。在PDF中表格只是基于視覺的,也就是說,在PDF文檔格式中并不存在表格格式,只存在一團(tuán)團(tuán)的文字和一些穿插其中的圖像線,用戶一般只能直觀地從顯示結(jié)果看到表格,而無法直接從文檔格式中獲取表格信息,人們稱這種表格為“文字流”表格,而對于它的識別稱為“基于文字流的表格識別”。傳統(tǒng)的基于圖像的表格識別技術(shù)雖然比較成熟,但是由于表格載體的巨大差異使得這些技術(shù)

3、難以運(yùn)用到基于PDF文字流的表格識別之中。綜合以上因素,本文對基于PDF文字流的表格識別技術(shù)進(jìn)行了研究,設(shè)計(jì)并實(shí)現(xiàn)了一套表格識別系統(tǒng)。
　　 本文所研究并實(shí)現(xiàn)的是基于PDF文字流的表格識別系統(tǒng),該系統(tǒng)進(jìn)行表格識別與重現(xiàn)的處理流程如下:首先,系統(tǒng)解析一個(gè)PDF文檔,從PDF內(nèi)容流中分離出文本、圖像等原始信息;之后,系統(tǒng)建立文字流數(shù)據(jù)結(jié)構(gòu)并保存文本對象信息,將PDF內(nèi)容可視化;接著,用戶根據(jù)屏幕輸出內(nèi)容框選待重現(xiàn)表格的所在區(qū)域;之后

4、,系統(tǒng)進(jìn)行表格內(nèi)容柵格化處理,即對所有文字流節(jié)點(diǎn)按照水平和垂直方向分別進(jìn)行空間劃分,并將結(jié)果進(jìn)行保存,形成概念上的待重現(xiàn)表格邊框結(jié)構(gòu);隨后,系統(tǒng)根據(jù)柵格化結(jié)果對表格內(nèi)容進(jìn)行歸位,即從柵格化后形成的概念表格結(jié)構(gòu)中找到每個(gè)文字流節(jié)點(diǎn)所在表格單元位置,建立文字流節(jié)點(diǎn)間的相對關(guān)系,實(shí)現(xiàn)表格實(shí)體結(jié)構(gòu);最后,系統(tǒng)對實(shí)體結(jié)構(gòu)進(jìn)行一維序列化輸出,將結(jié)果保存成通用結(jié)構(gòu)化編碼格式,如HTML等,這樣的結(jié)果可以進(jìn)行網(wǎng)頁形式瀏覽,也可導(dǎo)出到OA軟件中進(jìn)行可視化