pdf2docx开发概要：解析表格¶
发布于：2020-08-15 | 分类：process automation
PDF中没有语义上的表格的概念，所以需要根据外观上的表格，即边框线（Stroke类型的形状）围成的区域，来识别语义上的表格。另一方面，不借助文本框的话Word不支持浮动布局，表现为一段文字默认占据一整行，所以需要表格来进行辅助布局，例如多列文本。于是，pdf2docx考虑两类表格：
- 显式表格（
Lattice Table）：有边线，组织结构化的内容 - 隐式表格（
Stream Table）：无边线，既可能用于组织结构化的内容（隐藏边框的表格），也可能是为了页面布局的需要
解析显式表格¶
从边线出发，确定表格结构->单元格属性->单元格内容：
-
以是否相交为依据分组
Stroke元素，每一组即为潜在的表格区域内的边框线（table border），根据潜在表格区域获取Fill单元格背景（cell shading）。 -
基于边框线确定表格结构
-
判断是否存在外边框线，没有则加上假想的外边框线（白色、宽度0）。
-
将边框线按横、纵分组得到行间隔线和列间隔线，横纵间隔线的交点组成了初始的未考虑合并单元格的表格结构。
-
对于每一行，检测一条假想水平线与列边线的交点：不存在交点的位置即发生了行方向的合并单元格；同理检测列方向的合并单元格。
-
-
基于表格结构确定单元格属性
-
以左上角单元格表示合并单元格区域，被合并的单元格初始化为空
Cell()。 -
根据每一个单元格的区域（合并单元格则考虑所有合并区域）确定边框的四个矩形：从而直接得到各个边框的宽度和颜色；并根据单元格区域检测
Fill类型的矩形，存在则得到单元格背景色。
-
-
基于表格结构确定单元格包含的文本
-
将包含于单元格区域的文本/图片加入到相应单元格。有时文本块的划分与单元格区域并不严格匹配，需要深入到
block>line>span>char级别拆分原始文本块。 -
如果两个文本块物理上处于同一行，则合并为一个大文本块。目的是创建Word文档时保证正确的位置关系，因为每一个文本块将被作为独立的段落。
-
得到表格的位置及属性后，需要考虑能否在python-docx中重建。好在或者直接使用API或者借助openxml，以下操作都被python-docx支持：
解析隐式表格¶
实际上很难完美重建语义上的无边线表格，pdf2docx退而求其次，只是为了保证位置关系，从“看起来一样”的角度解析隐式表格。基本思路：
从文本块出发，确定分隔线即边线，接下来与显式表格的处理步骤一致。
-
基于文本块位置关系检测潜在的隐式表格区域
-
如果同一文本块内
line级别元素竖直方向有重叠但物理上不是严格处于同一行，它将被视为表格的行。因为docx重建时，普通段落无法保证这样的位置关系，所以必须加入潜在表格区域，后续进一步划分为不同列。 -
如果同一文本块内
line级别元素出现多次且相邻之间间隔一定距离，各个line将被视为潜在的单元格，因此整个文本块被加入潜在表格区域。 -
同理，如果相邻两个文本块物理上处于同一行（竖直方向有重叠），它们也将被视为表格区域。
-
-
基于以上文本块的
line级别的元素递归检测边界线-
按列分组，相邻两组的中间线即为列边界。因为列的角度有利于docx重建，行方向会因为不同文本块另起一段而破坏位置关系。
-
每一组内按行分组，相邻两组的中间线即为行边界。
-
重复以上步骤，直到每组只有单一文本块。
-
如上得到隐式表格区域的假想边框线，接下来按照显式表格流程处理即可。
以上将相邻两组的中间线作为列边界的处理方式简单快捷，但不足之处是不同行中的各列边界参差不齐，使表格结构复杂化。另外，还有一类半显式半隐式表格，即在隐式表格的基础上，又显式给出了部分表格线，例如常见的三线表。这些都需要在上述隐式表格解析的基础上进行表格线的优化，具体参考下文：
数据结构¶
表格块TableBlock继承了块元素Block的结构（详见PDF提取），同时新增了表征表格结构的Row和Cell。其中Cell是布局级别的对象（Layout），嵌套了下一级的块元素和形状元素，如此递归，直到块元素中不再包含表格，即只有表征文本和图片的TextBlock。
{
'type': int, # 3-explicit table; 4-implicit table
'bbox': (float, float, float, float),
..., # some spacing properties same with Block
"rows": [
{
'bbox': (float, float, float, float),
'height': float,
'cells': [
{
'bbox': (float, float, float, float),
'bg-color': int,
'border-color': (int, int, int, int), # top, right, bootom, left
'border-width': (float, float, float, float),
'merged-cells': (int, int),
'blocks': [
{ # text/image blocks contained in current cell },
{ ... }
]，
'shapes': [
{ # shapes contained in current cell }
{ ... }
]
},
... # more cells
]
},
... # more rows
]
}