Automated extraction of tabular data from PDF documents

Ing. Žofia Tunová

Diplomová práce

Anotace:

Podvodné praktiky vo vede sú rozšírený, no často skrytý problém. V dnešnej digitálnej dobe, plnej dezinformácií, je čoraz dôležitejšie zabezpečiť autenticitu vedeckých tvrdení pre udržanie dôvery vo vedu. Jedným z prístupov na odhaľovanie podvodných publikácií je detekcia manipulácie s dátami prostredníctvom štatistických metód. Na efektívne uplatnenie týchto metód je však najprv potrebné získať relevantné údaje z PDF súborov. Keďže PDF formát je navrhnutý predovšetkým na zachovanie vizuálneho formátovania, predstavuje výzvu pre automatizovanú extrakciu dát. Táto diplomová práca poskytuje prehľad rôznych metód na detekciu tabuliek a extrakciu dát z PDF dokumentov. Zároveň opisuje vývoj a návrh webovej aplikácie, ktorá integruje vybrané metódy s cieľom ponúknuť automatickú detekciu tabuliek a extrakciu dát. Aplikácia poskytuje užívateľské rozhranie, ktoré umožňuje používateľom interagovať s procesom detekcie a extrakcie.

Abstract:

Fraud in scientific research is a widespread yet often hidden problem. In today's digital era, which is flooded with misinformation, ensuring the authenticity of scientific findings is increasingly important for maintaining public trust in science. One approach to uncovering fraudulent research involves using statistical methods to detect data manipulation. However, to apply these methods effectively, it is first necessary to extract the relevant data from PDF files. Since PDFs are designed primarily for preserving visual formatting, they pose challenges for automated data extraction. This thesis provides an overview of various methods available for table detection and tabular data extraction from PDF documents. It also describes the development and design of a web application, which integrates selected methods to offer automatic table detection and data extraction. The application includes a user interface that allows users to interact with and guide the detection and extraction process.

Keywords

scientific integrity, web application, PDF parsing, table detection, table extraction

Jazyk práce: angličtina

Datum vytvoření / odevzdání či podání práce: 21. 5. 2025

Obhajoba závěrečné práce

• Obhajoba proběhla 18. 6. 2025
• Vedoucí: Mgr. Tomáš Foltýnek, Ph.D.
• Oponent: doc. Mgr. Jan Obdržálek, PhD.

Masarykova univerzita

Fakulta informatiky

Magisterský studijní program / obor:
Softwarové inženýrství / Návrh a vývoj softwarových systémů