一种面向PDF文件的表格数据抽取方法的研究与实现
| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第1章 绪论 | 第9-13页 |
| 1.1 研究背景 | 第9页 |
| 1.2 研究意义 | 第9-10页 |
| 1.3 硕士研究生期间的工作总结 | 第10-11页 |
| 1.4 论文组织结构 | 第11-13页 |
| 第2章 背景理论及相关技术介绍 | 第13-22页 |
| 2.1 PDF介绍 | 第13-19页 |
| 2.1.1 PDF概述 | 第13-14页 |
| 2.1.2 PDF组织结构 | 第14-18页 |
| 2.1.3 PDF文档示例 | 第18-19页 |
| 2.2 PDFBox介绍 | 第19-21页 |
| 2.2.1 PDFBox概述 | 第19-20页 |
| 2.2.2 PDFBox组织结构 | 第20-21页 |
| 2.3 本章小结 | 第21-22页 |
| 第3章 常见表格数据抽取方法的介绍与分析 | 第22-31页 |
| 3.1 通用的表格识别方法介绍 | 第22-23页 |
| 3.2 不同媒介下的表格特征识别 | 第23-26页 |
| 3.2.1 基于Web的表格特征识别 | 第23-25页 |
| 3.2.2 基于图像的表格特征提取 | 第25-26页 |
| 3.2.3 基于PDF的表格特征提取 | 第26页 |
| 3.3 表格数据抽取的难点分析 | 第26-30页 |
| 3.3.1 表格结构识别 | 第27-28页 |
| 3.3.2 复杂表头的处理 | 第28-29页 |
| 3.3.3 无框线表格的还原 | 第29-30页 |
| 3.4 本章小结 | 第30-31页 |
| 第4章 PDF文件的表格数据抽取关键问题研究 | 第31-51页 |
| 4.1 基于PDFBox的表格特征提取 | 第31-35页 |
| 4.1.1 PDF字符流中表格的基本格式介绍 | 第31-32页 |
| 4.1.2 PDFBox中文字和线条的处理介绍 | 第32-33页 |
| 4.1.3 基于PDFBox的文字信息提取与封装 | 第33-34页 |
| 4.1.4 基于PDFBox的线条信息提取与封装 | 第34-35页 |
| 4.2 表格还原 | 第35-43页 |
| 4.2.1 基于线条信息还原基本二维表结构 | 第35-39页 |
| 4.2.2 基于位置信息填充表格文字 | 第39-41页 |
| 4.2.3 一表多页的复杂表格合并 | 第41-43页 |
| 4.3 表格结构识别 | 第43-50页 |
| 4.3.1 复杂表头的识别与转换 | 第43-46页 |
| 4.3.2 表格结构类型 | 第46页 |
| 4.3.3 表格展开方向识别 | 第46-50页 |
| 4.4 本章小结 | 第50-51页 |
| 第5章 PDF表格数据抽取系统设计与实现 | 第51-68页 |
| 5.1 PDF表格数据抽取系统需求分析 | 第51-52页 |
| 5.1.1 系统概述 | 第51页 |
| 5.1.2 功能需求 | 第51-52页 |
| 5.2 PDF表格数据抽取系统的整体设计 | 第52-54页 |
| 5.2.1 系统整体流程设计 | 第52-53页 |
| 5.2.2 系统层次描述 | 第53-54页 |
| 5.3 基于PDFBox的文档解析层 | 第54-55页 |
| 5.4 PDF表格还原层 | 第55-56页 |
| 5.5 PDF表格数据封装层 | 第56-59页 |
| 5.5.1 表格数据的HTML格式封装 | 第56-57页 |
| 5.5.2 表格数据的JSON格式封装 | 第57-59页 |
| 5.6 校验与错误处理层 | 第59-60页 |
| 5.6.1 异常级别设定 | 第59页 |
| 5.6.2 基于词典的错误校验 | 第59-60页 |
| 5.7 测试和分析 | 第60-67页 |
| 5.7.1 表格识别技术的评估参数 | 第60页 |
| 5.7.2 实验结果与分析 | 第60-65页 |
| 5.7.3 表格结构识别测试与分析 | 第65-67页 |
| 5.8 本章小结 | 第67-68页 |
| 第6章 总结与展望 | 第68-70页 |
| 6.1 论文总结 | 第68-69页 |
| 6.2 工作展望 | 第69-70页 |
| 参考文献 | 第70-73页 |
| 附录 | 第73-74页 |
| 致谢 | 第74-75页 |
| 攻读学位期间发表的学术论文目录 | 第75页 |
| 攻读学位期间申请发明专利情况 | 第75页 |
