PDF文件的表格抽取研究综述

唐 锐 邓建新 叶志兴 张海平

(广西大学广西制造系统与先进制造技术重点实验室 广西 南宁 530000) (广西大学机械工程学院 广西 南宁 530000)

0 引 言

便携式文档格式(PDF)由于其跨平台的通用性和文档原稿完全再现的独特优势，广泛应用于各行各业的电子文件交互中，成为了不可替代的电子文档标准格式之一，特别是各领域的科学出版物(如期刊杂志、学位论文和会议论文集等)的电子文献普遍采用PDF传输和存储。其中，表格作为最常见的可视化、高信息密度表示和构造数据的方法之一[1-2]，经常作为PDF文献中数据呈现的主要方式和载体，如材料科学文献中材料成分数据、实验结果的表达、财经文献中金融数据的表达等。为提高对这些数据的处理效率，实现对数据的系统管理、共享和重复有效综合利用(如实现数据挖掘、构建数据驱动服务)及知识提取，经常需要设法取得这些表格中数据，即进行表格抽取。尤其是随着大数据技术的成熟和在各行业的渗透，这些PDF中的表格数据作为相关领域大数据的主要来源，越来越受到对应领域的大数据应用的重视，对PDF电子文件(特别是科技文献)进行表格抽取的需求也愈发强烈，推动了对PDF文件表格抽取技术的研究。

为此，本文通过综合中国知网、万方数据、Web of Science、ACM Digital Library和IEEE/IEE Electronic Library中有关PDF表格抽取技术的相关文献，收集了近二十年来关于PDF表格抽取研究的成果，介绍了最新的表格抽取系统研究进展，总结了PDF文献的表格抽取的主要方法，分析了不同方法间的优势和不足，指出了存在的问题和发展方向。……