基于PDF文字流的表格識別技術的研究.pdf

1、PDF(Portabledocumentformat)是一種目前國際通用的電子文檔開放標準。這種文件格式與操作系統(tǒng)平臺無關,這一特點使它成為在Internet上進行電子文檔發(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、產品說明、公司文件、網(wǎng)絡資料、電子郵件開始使用PDF格式文件,各國政府機關、企事業(yè)單位均大量采用該格式作為標準,進行信息發(fā)布、交換與存儲。
　　 表格作為PDF電子文檔內容的重要組成部分,在實際工作和生活

2、中被復用和再編輯的頻率非常高,然而PDF表格具有的獨特結構,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,只存在一團團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

3、難以運用到基于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進行了研究,設計并實現(xiàn)了一套表格識別系統(tǒng)。
　　 本文所研究并實現(xiàn)的是基于PDF文字流的表格識別系統(tǒng),該系統(tǒng)進行表格識別與重現(xiàn)的處理流程如下:首先,系統(tǒng)解析一個PDF文檔,從PDF內容流中分離出文本、圖像等原始信息;之后,系統(tǒng)建立文字流數(shù)據(jù)結構并保存文本對象信息,將PDF內容可視化;接著,用戶根據(jù)屏幕輸出內容框選待重現(xiàn)表格的所在區(qū)域;之后

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