CN110210455B - 一种打印内容格式化提取方法 - Google Patents

Abstract

本发明涉及文档打印技术领域，具体是一种打印内容格式化提取方法，包括以下步骤：S1.将打印文档的打印内容截取转换为打印元素，生成打印元素集；S2.根据采样的打印元素集设计提取元素，生成提取模版；S3.输入打印元素集和提取模版，利用提取引擎进行运算，生成格式化提取结果。该打印内容格式化提取方法有效解决了纯文本内容提取的不足，可以灵活、高效、准确的提取复杂表单中的内容。对OCR形式进行了有效的补充和优化。对精确坐标提取进行了创新的改进，容器提取元素嵌入基本提取元素的组合可以有效应对复杂的提取表单。可视化的模版设计界面，极大的简化的设计难度，提高了设计的效率。

Description

一种打印内容格式化提取方法

技术领域

本发明涉及文档打印技术领域，具体是一种打印内容格式化提取方法。

背景技术

目前打印输出是各行各业必不可少的一种输出内容方式，但打印输出的内容只适合人眼观看、阅读，无法有效的将输出内容再次数据格式化，不利于数据的二次处理。在当前大数据流行的时代，我们亟需一种方式将其他***的打印输出内容重新数据格式化，这样才能在没有数据接口授权的情况下将公开的有效数据以低成本、高效率的方式重新利用起来。为大数据计算、人工智能等应用提供基础的数据获取解决方案。

现在的内容提取方式主要有三种。第一种，获取纯文本打印内容，针对特殊关键字进行文字分割和查找匹配。第二种，将打印内容完全转换为图片，利用OCR技术提取内容。第三种，解析打印标准，获取到精确的内容和匹配的坐标信息，利用坐标分区提取内容。

三种提取方式各有优缺点：第一种方式的优点是获取基础数据方式简单。缺点是无法精准的提取复杂信息，对于大量不标准表格数据（例如有些行列数据缺失等）极易产生解析错误。第二种方式的优点是可以自由划定提取区域，可对各种形式的打印内容统一转成图片处理。缺点是一般OCR解析内容准确性不高，或依赖大数据训练后获得较高的准确率和性能（技术实现难度高）。第三种方式的优点是内容精确不用解析，内容带坐标方便划分。缺点是不方便将零散的数据组合，对某些原本就是图片内容的数据无法处理。

发明内容

本发明的目的在于提供一种打印内容格式化提取方法，以解决上述背景技术中提出的复杂内容提取困难的问题；主要包括：提取的表单行数不确定，无法准确在提取前确定行数的问题；表单行大小不同对划区提取造成影响的问题；表单数据分页显示提取的问题；提取内容干扰信息去除的问题；图文混排提取方式灵活转换的问题；提取信息浮动定位的问题。

为实现上述目的，本发明提供如下技术方案：

一种打印内容格式化提取方法，包括以下步骤：

S1.将打印文档的打印内容截取转换为打印元素（包括文本内容和相对页面左上角的x、y坐标，还有文本内容显示的高度和宽度信息），生成打印元素集（包括打印文档名称，总共的打印页数，每页的索引号，每页的高度和宽度，每页内包含的打印元素，另外包括每页独立的页面图片）；

S2.根据采样的打印元素集设计提取元素（主要包括提取元素类型，关键词，提取范围（提取x、y坐标和高度、宽度，提取元素可以嵌套），和其它一些特殊类型属性信息），生成提取模版；

S3.输入打印元素集和提取模版，利用提取引擎进行运算，生成格式化提取结果（包括所有经过提取元素提取出来的数据，用关键字和提取到的内容组成键值对数据）。

作为本发明进一步的方案：步骤S2中，所述提取模版包括提取模版名称、多个提取元素和一组处理脚本；所述提取元素包括基本提取元素或容器提取元素，提取元素可以嵌套组合。

作为本发明再进一步的方案：所述基本提取元素包括文本提取元素或条码提取元素；所述文本提取元素包含提取键值和一组坐标，一组坐标用于相对于当前页划定一个区域并提取在此区域中的打印元素，提取键值用于将提取到的内容生成键值对。

作为本发明再进一步的方案：所述容器提取元素包括表单提取元素；所述表单提取元素中设置有多个基础的文本提取元素，并且所述文本提取元素的坐标相对于它的父容器表单提取元素。

作为本发明再进一步的方案：步骤S1的具体实现方法为：

S1-1.使用格式化虚拟打印机，将打印文档转换为EMF文件；

S1-2.解析EMF文件，提取坐标和内容，生成打印元素文档；

S1-3.解析每个打印页，转换成页面图片。

作为本发明再进一步的方案：步骤S2的具体实现方法为：

S2-1.使用捷弘打印格式化提取模版设计客户端进行处理；

S2-2.导入打印元素集样本数据；

S2-3.在可视化界面的辅助下，用鼠标拖拽设置提取元素，并设置相关提取参数；

S2-4.测试提取并检查提取结果，如果不满意则重复步骤S2-2至S2-4，直到多个同一格式的打印样本提取结果都满意为止；

S2-5.保存打印提取模版，并上传到打印格式化提取服务器，绑定打印类型。

作为本发明再进一步的方案：步骤S3的具体实现方法为：

S3-1.将生成的打印元素文档和页面图片上传到打印格式化提取服务器；

S3-2.打印格式化提取服务器根据上传的相关打印类型调取已经设计好的打印提取模版；

S3-3.提取引擎根据已知输入信息运算，自动进行格式化提取，并将提取结果保存到数据库中。

作为本发明再进一步的方案：步骤S3-3中，提取引擎运行步骤为：

S3-3-1.遍历所有页面，并将当前页面的打印元素和页面图片封装到一起，作为下面的输入参数；

S3-3-2.在当前页面遍历所有的顶级提取元素，进行提取运算：

S3-3-2-1.如果提取元素是基本提取元素，如文本提取元素或条码提取元素，则直接将此提取元素的提取结果配合此提取元素的关键词组成键值对返回；

S3-3-2-2.如果提取元素是容器提取元素，如表单提取元素，则遍历其所有子提取元素，进行提取，并将子提取元素的提取结果组成队列，配合此容器提取元素的关键词组成键值对返回；

S3-3-3.将所有返回的键值对转换为json格式的格式化提取结果；

S3-3-4.将格式化提取结果以参数的形式传递给处理脚本，由处理脚本进行二次处理，或原封不动的直接返回。

与现有技术相比，本发明的有益效果是：

该打印内容格式化提取方法解决了复杂内容提取困难的问题，主要包括：提取的表单行数不确定，无法准确在提取前确定行数的问题；表单行大小不同对划区提取造成影响的问题；表单数据分页显示提取的问题；提取内容干扰信息去除的问题；图文混排提取方式灵活转换的问题；提取信息浮动定位的问题。

该打印内容格式化提取方法有效解决了纯文本内容提取的不足，可以灵活、高效、准确的提取复杂表单中的内容。对OCR形式进行了有效的补充和优化，精确的划定范围有效的提高了OCR的运算效率。对精确坐标提取进行了创新的改进，容器提取元素嵌入基本提取元素的组合可以有效应对复杂的提取表单，并针对表单内容的多种疑难提取问题进行了有针对的处理。可视化的模版设计界面，极大的简化的设计难度，提高了设计的效率。

附图说明

图1为本发明实施例的流程框图。

具体实施方式

下面结合具体实施方式对本专利的技术方案作进一步详细地说明。

请参阅图1，本发明实施例中，一种打印内容格式化提取方法，包括以下步骤：

S1.将打印文档的打印内容截取转换为打印元素（包括文本内容和相对页面左上角的x、y坐标，还有文本内容显示的高度和宽度信息），生成打印元素集（包括打印文档名称，总共的打印页数，每页的索引号，每页的高度和宽度，每页内包含的打印元素，另外包括每页独立的页面图片）；

S2.根据采样的打印元素集设计提取元素（主要包括提取元素类型，关键词，提取范围（提取x、y坐标和高度、宽度，提取元素可以嵌套），和其它一些特殊类型属性信息），生成提取模版；

S3.输入打印元素集和提取模版，利用提取引擎进行运算，生成格式化提取结果（包括所有经过提取元素提取出来的数据，用关键字和提取到的内容组成键值对数据）。

进一步的，步骤S2中，所述提取模版包括提取模版名称、多个提取元素和一组处理脚本；所述提取元素包括基本提取元素或容器提取元素，提取元素可以嵌套组合。

具体的，所述基本提取元素包括文本提取元素或条码提取元素；所述文本提取元素包含提取键值和一组坐标，一组坐标用于相对于当前页划定一个区域并提取在此区域中的打印元素，提取键值用于将提取到的内容生成键值对。

具体的，所述容器提取元素包括表单提取元素；所述表单提取元素中设置有多个基础的文本提取元素，并且所述文本提取元素的坐标相对于它的父容器表单提取元素。

具体的，步骤S1的具体实现方法为：

S1-1.使用格式化虚拟打印机，将打印文档转换为EMF文件，具体的，使用捷弘格式化虚拟打印机打印；

S1-2.解析EMF文件，提取坐标和内容，生成打印元素文档（jhcef格式文件）；

S1-3.解析每个打印页，转换成页面图片；具体的，可以转换成jpg图片。

具体的，步骤S2的具体实现方法为：

S2-1.使用捷弘打印格式化提取模版设计客户端进行处理；

S2-2.导入打印元素集样本数据；

S2-3.在可视化界面的辅助下，用鼠标拖拽设置提取元素，并设置相关提取参数；

S2-4.测试提取并检查提取结果，如果不满意则重复步骤S2-2至S2-4，直到多个同一格式的打印样本提取结果都满意为止；

S2-5.保存打印提取模版，并上传到打印格式化提取服务器，绑定打印类型。

具体的，步骤S3的具体实现方法为：

S3-1.将生成的打印元素文档和页面图片上传到打印格式化提取服务器；

S3-2.打印格式化提取服务器根据上传的相关打印类型调取已经设计好的打印提取模版；

S3-3.提取引擎根据已知输入信息运算，自动进行格式化提取，并将提取结果保存到数据库中，格式化提取结果文档格式为jhcer。

进一步的，步骤S3-3中，提取引擎运行步骤为：

S3-3-1.遍历所有页面，并将当前页面的打印元素和页面图片封装到一起，作为下面的输入参数；

S3-3-2.在当前页面遍历所有的顶级提取元素，进行提取运算：

S3-3-2-1.如果提取元素是基本提取元素，如文本提取元素或条码提取元素，则直接将此提取元素的提取结果配合此提取元素的关键词组成键值对返回；

S3-3-2-2.如果提取元素是容器提取元素，如表单提取元素，则遍历其所有子提取元素，进行提取，并将子提取元素的提取结果组成队列，配合此容器提取元素的关键词组成键值对返回；

S3-3-3.将所有返回的键值对转换为json格式的格式化提取结果；

S3-3-4.将格式化提取结果以参数的形式传递给处理脚本，由处理脚本进行二次处理，或原封不动的直接返回。

本发明综合利用现有各方案的优点，在合适的环境下使用合适的方案组合，达到最佳的提取格式化效果。本发明根据带坐标的打印元素，设计了提取模版。提取模版中包括多个提取元素，和一组处理脚本。提取元素分为文本提取元素，表单提取元素，条码提取元素。其中文本提取元素是最基本的提取元素，它包含一组坐标可以相对于当前页划定一个区域，用来提取在此区域中的打印元素。另外它还包含提取键值，用来将提取到的内容生成键值对。表单提取元素是一个容器提取元素，它需要在其中设置多个基础的文本提取元素，这些文本提取元素的坐标相对于他的父容器表单提取元素。利用可视化的界面我们可以方便用户通过点击拖拽鼠标设置好这提取模版。然后将打印元素和提取模版交给提取引擎进行计算，计算后将得到json格式的提取结果。该打印内容格式化提取方法有效解决了纯文本内容提取的不足，可以灵活、高效、准确的提取复杂表单中的内容。对OCR形式进行了有效的补充和优化，精确的划定范围有效的提高了OCR的运算效率。对精确坐标提取进行了创新的改进，容器提取元素嵌入基本提取元素的组合可以有效应对复杂的提取表单，并针对表单内容的多种疑难提取问题进行了有针对的处理。可视化的模版设计界面，极大的简化的设计难度，提高了设计的效率。

上面对本发明的较佳实施方式作了详细说明，但是本发明并不限于上述实施方式，在本领域的普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下作出各种变化。

Claims (1)

1.一种打印内容格式化提取方法，其特征在于，包括以下步骤：

S1.将打印文档的打印内容截取转换为打印元素，生成打印元素集；

S2.根据采样的打印元素集设计提取元素，生成提取模版；

S3.输入打印元素集和提取模版，利用提取引擎进行运算，生成格式化提取结果；

步骤S2中，所述提取模版包括提取模版名称、多个提取元素和一组处理脚本；所述提取元素包括容器提取元素；

所述容器提取元素包括表单提取元素；所述表单提取元素中设置有多个基础的文本提取元素，并且所述文本提取元素的坐标相对于它的父容器表单提取元素；

步骤S1的具体实现方法为：

S1-1.使用格式化虚拟打印机，将打印文档转换为EMF文件；

S1-2.解析EMF文件，提取坐标和内容，生成打印元素文档；

S1-3.解析每个打印页，转换成页面图片；

步骤S2的具体实现方法为：

S2-1.使用打印格式化提取模版设计客户端进行处理；

S2-2.导入打印元素集样本数据；

S2-3.在可视化界面的辅助下，用鼠标拖拽设置提取元素，并设置相关提取参数；

S2-4.测试提取并检查提取结果，如果不满意则重复步骤S2-2至S2-4，直到多个同一格式的打印样本提取结果都满意为止；

S2-5.保存打印提取模版，并上传到打印格式化提取服务器，绑定打印类型；

步骤S3的具体实现方法为：

S3-1.将生成的打印元素文档和页面图片上传到打印格式化提取服务器；

S3-2.打印格式化提取服务器根据上传的相关打印类型调取已经设计好的打印提取模版；

S3-3.提取引擎根据已知输入信息运算，自动进行格式化提取，并将提取结果保存到数据库中；

步骤S3-3中，提取引擎运行步骤为：

S3-3-1.遍历所有页面，并将当前页面的打印元素和页面图片封装到一起，作为下面的输入参数；

S3-3-2.在当前页面遍历所有的提取元素，进行提取运算；

提取元素是容器提取元素，则遍历其所有子提取元素，进行提取，并将子提取元素的提取结果组成队列，配合此容器提取元素的关键词组成键值对返回；

S3-3-3.将所有返回的键值对转换为json格式的格式化提取结果；

S3-3-4.将格式化提取结果以参数的形式传递给处理脚本，由处理脚本进行二次处理，或原封不动的直接返回。

Images