基于文本元素的PDF表格区域识别方法研究

• 作者: 徐建良 曹皓伟 窦方坤
• 来源期刊: 软件导刊
• 学科: 工学
• 关键词: PDF 文字流 文本抽取 文本分类 表格识别
• 年，卷（期）: 2020,（1）
• 所属期刊栏目: 计算机软件与理论
• 页码范围: 113-116
• 页数: 4页
• 分类号: TP301
• 字数: 3423字
• 语种: 中文
• DOI: 10.11907/rjdk.191410

摘要

为了对药学PDF文献中的表格进行正确识别,减少表格抽取过程中无关文本元素混入的噪音,以更准确地进行表格结构还原和信息抽取,基于pdf2xml对药学文献PDF中的文本元素进行抽取,将文本元素分类并对表格标题区域向下延伸,从而识别表格区域.实验结果表明,该算法在单栏药学PDF和双栏药学PDF中的识别率分别达到89.7％和93.7％,比tabula工具的识别结果分别提高了10.4％和60.4％,表明该算法能有效处理表格框线缺失和分栏文献等复杂情况.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	徐建良	中国海洋大学信息科学与工程学院	54	216	8.0	11.0
2	窦方坤	中国海洋大学信息科学与工程学院	2	1	1.0	1.0
3	曹皓伟	中国海洋大学信息科学与工程学院	2	1	1.0	1.0