CN110888965A - 一种文档数据提取方法及装置 - Google Patents
一种文档数据提取方法及装置 Download PDFInfo
- Publication number
- CN110888965A CN110888965A CN201911006121.6A CN201911006121A CN110888965A CN 110888965 A CN110888965 A CN 110888965A CN 201911006121 A CN201911006121 A CN 201911006121A CN 110888965 A CN110888965 A CN 110888965A
- Authority
- CN
- China
- Prior art keywords
- information
- document
- processed
- key
- key information
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请适用于计算机技术领域，提供了一种文档数据提取方法，包括：当检测到文档数据提取请求时，基于所述文档数据提取请求中包含的待处理文档的标识信息确定数据定位信息；基于所述预设类型信息及其对应的特征信息，获取所述待处理文档中的表格信息和非表格信息；基于预设提取策略从所述表格信息和所述非表格信息中，提取出所述待处理文档对应的目标数据。上述方案，通过数据定位信息获取待处理文档中的表格信息和非表格信息，结合表格信息和非表格信息各自对应的提取方法，快速的提取出待处理文档中的目标数据。
Description
技术领域
本申请属于计算机技术领域，尤其涉及一种文档数据提取方法及装置。
背景技术
日常在对各种类型的文档进行数据提取时，文档不仅包括非表格的数据，同时也会包括有多种表格或半表格的数据。当对文档进行数据提取时，表格或半表格的数据基于常规提取方式是无法准确提取出相应的数据，提取后还需要对数据进行结构化处理。如果想准确的对这些数据进行数据提取的话，需要先将文档中的表格信息与非表格信息进行区分，再分别进行提取，这样，会耗费大量的资源，处理起来十分繁琐，数据提取效率低。
发明内容
本申请实施例提供了一种文档数据提取方法及装置，可以解决现有提取数据的方式耗费大量的资源，处理起来十分繁琐，数据提取效率低的问题。
第一方面，本申请实施例提供了一种文档数据提取方法，包括：
当检测到文档数据提取请求时，基于所述文档数据提取请求中包含的待处理文档的标识信息确定数据定位信息；所述数据定位信息包括预设类型信息及其对应的特征信息；
基于所述预设类型信息及其对应的特征信息，获取所述待处理文档中的表格信息和非表格信息；所述表格信息包括全表格信息和半表格信息；
基于预设提取策略从所述表格信息和所述非表格信息中，提取出所述待处理文档对应的目标数据。
进一步地，所述特征信息包括所述预设类型信息对应的关键信息；所述关
键信息包括表前关键信息、表内关键信息、表后关键信息和表字段信息；
所述基于所述预设类型信息及其对应的特征信息，获取所述待处理文档中的表格信息和非表格信息，包括：
基于所述表前关键信息、所述表内关键信息、所述表后关键信息和所述表字段信息，遍历所述待处理文档获取所述待处理文档中的表格信息；
基于所述待处理文档和所述表格信息，确定所述待处理文档对应的非表格信息。
进一步地，所述表格信息包括所述待处理文档中的目标表的位置信息和类型信息；
所述基于所述表前关键信息、所述表内关键信息、所述表后关键信息和所述表字段信息，遍历所述待处理文档获取所述待处理文档中的表格信息，包括：
遍历所述待处理文档，查找第一目标信息；所述第一目标信息为同时与所述表前关键信息、所述表内关键信息、所述表后关键信息和所述表字段信息均匹配的信息；
当从所述待处理文档中查找到所述第一目标信息时，获取所述第一目标信息对应的目标表的位置信息和类型信息。
进一步地，所述基于所述表前关键信息、所述表内关键信息、所述表后关键信息和所述表字段信息，遍历所述待处理文档获取所述待处理文档中的表格信息，包括：
遍历所述待处理文档，从所述待处理文档中查找第二目标信息，所述第二目标信息为同时与所述表前关键信息、所述表内关键信息和所述表后关键信息均匹配的信息；
当从所述待处理文档中查找到所述第二目标信息时，获取所述第二目标信息对应的位置信息和目标表的信息；
基于所述目标表的信息和所述表字段信息，确定所述目标表的类型信息；
基于所述位置信息和所述类型信息，确定表格信息。
进一步地，所述关键信息包括：排除关键信息、包含关键信息、停止关键信息；所述排除关键信息标识所述预设类型信息对应的表中不包含所述排除关键信息；所述包含关键信息标识所述预设类型信息对应的表中包含所述包含关键信息；所述停止关键信息用于暂停匹配所述待处理文档和所述特征信息。
进一步地，所述当检测到文档数据提取请求时，基于所述文档数据提取请求中包含的待处理文档的标识信息确定数据定位信息，包括：
当检测到文档数据提取请求时，获取所述文档数据提取请求中包括的待处理文档的标识信息；
基于预设标识信息和预设数据定位信息之间的对应关系，确定所述文档标识信息对应的数据定位信息。
第二方面，本申请实施例提供了一种文档数据提取装置，包括：
第一确定单元，用于当检测到文档数据提取请求时，基于所述文档数据提取请求中包含的待处理文档的标识信息确定数据定位信息；所述数据定位信息包括预设类型信息及其对应的特征信息；
第一获取单元，用于基于所述预设类型信息及其对应的特征信息，获取所述待处理文档中的表格信息和非表格信息；所述表格信息包括全表格信息和半表格信息；
提取单元，用于基于预设提取策略从所述表格信息和所述非表格信息中，提取出所述待处理文档对应的目标数据。
进一步地，所述特征信息包括所述预设类型信息对应的关键信息；所述关键信息包括表前关键信息、表内关键信息、表后关键信息和表字段信息；所述第一获取单元，包括：
第二获取单元，用于基于所述表前关键信息、所述表内关键信息、所述表后关键信息和所述表字段信息，遍历所述待处理文档获取所述待处理文档中的表格信息；
第二确定单元，用于基于所述待处理文档和所述表格信息，确定所述待处理文档对应的非表格信息。
进一步地，所述表格信息包括所述待处理文档中的目标表的位置信息和类型信息；
所述第二获取单元，具体用于：
遍历所述待处理文档，查找第一目标信息；所述第一目标信息为同时与所述表前关键信息、所述表内关键信息、所述表后关键信息和所述表字段信息均匹配的信息；
当从所述待处理文档中查找到所述第一目标信息时，获取所述第一目标信息对应的目标表的位置信息和类型信息。
进一步地，所述第二获取单元，具体用于：
遍历所述待处理文档，从所述待处理文档中查找第二目标信息，所述第二目标信息为同时与所述表前关键信息、所述表内关键信息和所述表后关键信息均匹配的信息；
当从所述待处理文档中查找到所述第二目标信息时，获取所述第二目标信息对应的位置信息和目标表的信息；
基于所述目标表的信息和所述表字段信息，确定所述目标表的类型信息；
基于所述位置信息和所述类型信息，确定表格信息。
进一步地，所述关键信息包括：排除关键信息、包含关键信息、停止关键信息；所述排除关键信息标识所述预设类型信息对应的表中不包含所述排除关键信息；所述包含关键信息标识所述预设类型信息对应的表中包含所述包含关键信息；所述停止关键信息用于暂停匹配所述待处理文档和所述特征信息。
进一步地，所述第一确定单元，具体用于：
当检测到文档数据提取请求时，获取所述文档数据提取请求中包括的待处理文档的标识信息；
基于预设标识信息和预设数据定位信息之间的对应关系，确定所述文档标识信息对应的数据定位信息。
第三方面，本申请实施例提供了一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述第一方面所述的文档数据提取方法。
第四方面，本申请实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上述第一方面所述的文档数据提取方法。
第五方面，本申请实施例提供了一种计算机程序产品，当计算机程序产品在终端设备上运行时，使得终端设备执行如上述第一方面所述的文档数据提取方法。
可以理解的是，上述第二方面至第五方面的有益效果可以参见上述第一方面中的相关描述，在此不再赘述。
本申请实施例中，当检测到文档数据提取请求时，基于所述文档数据提取请求中包含的待处理文档的标识信息确定数据定位信息；基于所述预设类型信息及其对应的特征信息，获取所述待处理文档中的表格信息和非表格信息；基于预设提取策略从所述表格信息和所述非表格信息中，提取出所述待处理文档对应的目标数据。上述方案，通过数据定位信息获取待处理文档中的表格信息和非表格信息，结合表格信息和非表格信息各自对应的提取方法，快速的提取出待处理文档中的目标数据。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本申请第一实施例提供的一种文档数据提取方法的流程示意图；
图2是本申请第一实施例提供的一种文档数据提取方法中S101细化的流程示意图；
图3是本申请第二实施例提供的另一种文档数据提取方法的流程示意图；
图4是本申请第三实施例提供的另一种文档数据提取方法的流程示意图；
图5是本申请第四实施例提供的另一种文档数据提取方法的流程示意图；
图6是本申请第五实施例提供的一种文档数据提取装置的示意图；
图7是本申请第六实施例提供的文档数据提取设备的示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定***结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的***、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。
应当理解，当在本申请说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
如在本申请说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
另外，在本申请说明书和所附权利要求书的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。
请参见图1，图1是本申请第一实施例提供的一种文档数据提取方法的流程示意图。本实施例中文档数据提取方法的执行主体为具有文档数据提取功能的设备，具体可以为移动终端、计算机、服务器等设备。如图1所示的文档数据提取方法可包括：
S101：当检测到文档数据提取请求时，基于所述文档数据提取请求中包含的待处理文档的标识信息确定数据定位信息；所述数据定位信息包括预设类型信息及其对应的特征信息。
当需要对待处理文档进行数据提取时，用户可以通过在设备上点击虚拟按钮触发生成文档数据提取请求，也可以设备接收到其他设备发送的文档数据提取请求。文档数据提取请求触发设备进行文档数据的提取。当设备检测到文档数据提取请求时，文档数据提取请求中包括的待处理文档的标识信息，基于文档数据提取请求中包含的待处理文档的标识信息确定数据定位信息。其中，数据定位信息用于定位待处理文档中的表格信息，识别表格信息对应的类型。数据定位信息是预先设置好的，不同类型的文档对应了不同的数据定位信息。数据定位信息包括预设类型信息及其对应的特征信息，即不同类型的表格对应了不同的特征信息，根据这些特征信息可以从待处理文档中确定出表格的位置信息和类型信息。
进一步地，为了准确的确定待处理文档对应的数据定位信息，从而提升数据提取的精度，S101可以包括S1011～S1012，如图2所示，S1011～S1012具体如下：
S1011：当检测到文档数据提取请求时，获取所述文档数据提取请求中包括的待处理文档的标识信息。
S1011与S101中的相关步骤相同，具体可以参阅S101中的相关描述，此处不再赘述。
S1012：基于预设标识信息和预设数据定位信息之间的对应关系，确定所述文档标识信息对应的数据定位信息。
设备中预先存储预设标识信息和预设数据定位信息之间的对应关系，设备从预设标识信息中查找出与待处理文档的标识信息相同的目标标识信息，基于预设标识信息和预设数据定位信息之间的对应关系，获取目标标识信息对应的数据定位信息，数据定位信息即为文档标识信息对应的数据定位信息，也就是待处理文档的对应的文档类型在进行数据提取时，所需要的数据定位信息。数据定位信息包括预设类型信息及其对应的特征信息，即不同类型的表格对应了不同的特征信息，根据这些特征信息可以从待处理文档中确定出表格的位置信息和类型信息。
S102：基于所述预设类型信息及其对应的特征信息，获取所述待处理文档中的表格信息和非表格信息；所述表格信息包括全表格信息和半表格信息。
数据定位信息包括预设类型信息及其对应的特征信息，即不同类型的表格对应了不同的特征信息，设备基于预设类型信息及其对应的特征信息，获取待处理文档中的表格信息和非表格信息。具体地说，设备基于特征信息在待处理文档中获取与特征信息匹配的表格信息，根据上述特征信息对应的预设类型信息可以确定该表格信息的类型信息。设备获取了表格信息后，在待处理文档中除了表格信息以外的就是非表格信息，其中，表格信息包括全表格信息和半表格信息，全表格信息可以包括Excel格式的表格，半表格信息可以包括层叠样式表(Cascading Style Sheets，CSS)。
S103：基于预设提取策略从所述表格信息和所述非表格信息中，提取出所述待处理文档对应的目标数据。
设备中预先设置提取策略，提取策略包括不同类型的表格信息和非表格信息对应的提取方式，表格信息中包括目标表的位置信息和类型信息，从预设提取策略中获取到表格信息对应的第一提取策略和非表格信息对应的第二提取策略。基于第一提取策略提取表格信息中的目标数据，基于第二提取策略提取非表格信息中的目标数据，从而确定待处理文档对应的目标数据。
本申请实施例中，当检测到文档数据提取请求时，基于所述文档数据提取请求中包含的待处理文档的标识信息确定数据定位信息；基于所述预设类型信息及其对应的特征信息，获取所述待处理文档中的表格信息和非表格信息；基于预设提取策略从所述表格信息和所述非表格信息中，提取出所述待处理文档对应的目标数据。上述方案，通过数据定位信息获取待处理文档中的表格信息和非表格信息，结合表格信息和非表格信息各自对应的提取方法，快速的提取出待处理文档中的目标数据。
请参见图3，图3是本申请第二实施例提供的另一种文档数据提取方法的流程示意图。本实施例中文档数据提取方法的执行主体为具有文档数据提取功能的设备，具体可以为计算机、服务器等设备。为了准确的对待处理文档中的表格信息和非表格信息进行识别定位，本实施例与第一实施例之间的区别在于S202～S203，其中，本实施例中的S201与第一实施例中的S101相同，本实施例中的S204与第一实施例中的S103相同，S202～S203是对S102的进一步地细化。如图3所示，S202～S203具体如下：
S202：基于所述表前关键信息、所述表内关键信息、所述表后关键信息和所述表字段信息，遍历所述待处理文档获取所述待处理文档中的表格信息。
在本实施例中，特征信息包括预设类型信息对应的关键信息，关键信息包括表前关键信息、表内关键信息、表后关键信息和表字段信息。其中，表前关键信息标识这一类型的表的表前应当具备的特征，例如，在表前应该包括关键字A。表内关键信息标识这一类型的表的表内应当具备的特征，表后关键信息标识这一类型的表的表后应当具备的特征，表字段信息标识这一类型的表的表头信息。表前关键信息、表内关键信息、表后关键信息和表字段信息都可以包括多个关键信息，例如，表前关键信息可以为包括A信息、B信息、C信息。设备预设每个类型的文档中可能包括的表的所有的类型，并且通过设置表前关键信息、表内关键信息、表后关键信息和表字段信息来设置每种类型对应的特征。所以，设备基于表前关键信息、表内关键信息、表后关键信息和表字段信息，遍历待处理文档，基于表前关键信息、表内关键信息、表后关键信息和表字段信息这些特征，确定待处理文档中的表格信息。
进一步地，为了准确的对待处理文档中的表格信息进行识别定位，所述关键信息包括：排除关键信息、包含关键信息、停止关键信息；所述排除关键信息标识所述预设类型信息对应的表中不包含所述排除关键信息；所述包含关键信息标识所述预设类型信息对应的表中包含所述包含关键信息；所述停止关键信息用于暂停匹配所述待处理文档和所述特征信息。
在本实施例中，关键信息可以包括排除关键信息、包含关键信息、停止关键信息。排除关键信息标识预设类型信息对应的表中不包含排除关键信息，例如，预设类型信息对应的表中不包含E信息，则在查找时，包括E信息的表就不是该预设类型信息；包含关键信息标识预设类型信息对应的表中包含关键信息；停止关键信息用于暂停匹配待处理文档和特征信息，如果表前关键信息、表后关键信息中存在停止关键信息，设备一旦检测到停止关键信息即不再往前或往后进行查找，以免定位到不正确的数据。
S203：基于所述待处理文档和所述表格信息，确定所述待处理文档对应的非表格信息。
设备获取了表格信息后，在待处理文档中除了表格信息以外的就是非表格信息，设备获取待处理文档中除了表格信息以外的信息，即为待处理文档对应的非表格信息。
请参见图4，图4是本申请第三实施例提供的另一种文档数据提取方法的流程示意图。本实施例中文档数据提取方法的执行主体为具有文档数据提取功能的设备，具体可以为计算机、服务器等设备。为了准确的对待处理文档中的表格信息进行识别定位，本实施例与第二实施例之间的区别在于S302～S303，其中，本实施例中S301与第二实施例中的S201相同，本实施例中的S304～S305与第二实施例中的S203～S204相同，S302～S303是S202的进一步细化。如图4所示，S302～S303具体如下：
S302：遍历所述待处理文档，查找第一目标信息；所述第一目标信息为同时与所述表前关键信息、所述表内关键信息、所述表后关键信息和所述表字段信息均匹配的信息。
设备遍历待处理文档，从待处理文档中查找第一目标信息，第一目标信息为同时与表前关键信息、表内关键信息、表后关键信息和表字段信息均匹配的信息。具体地说，设备遍历待处理文档，从待处理文档中查找与关键信息匹配的信息，即第一目标信息，第一目标信息必须是同时与表前关键信息、表内关键信息、表后关键信息和表字段信息均匹配的信息，当待处理文档中的信息与表前关键信息、表内关键信息、表后关键信息或表字段信息中任意一种信息不匹配时，则不能标记为第一目标信息。
S303：当从所述待处理文档中查找到所述第一目标信息时，获取所述第一目标信息对应的目标表的位置信息和类型信息。
表格信息包括目标表的位置信息和类型信息，设备当从待处理文档中查找到第一目标信息时，获取第一目标信息对应的目标表即为待处理文档中包括的目标表，获取目标表的位置信息和类型信息，基于目标表的位置信息和类型信息确定表格信息。
请参见图5，图5是本申请第四实施例提供的另一种文档数据提取方法的流程示意图。本实施例中文档数据提取方法的执行主体为具有文档数据提取功能的设备，具体可以为计算机、服务器等设备。为了准确的对待处理文档中的表格信息进行识别定位，本实施例与第二实施例之间的区别在于S402～S405，其中，本实施例中S401与第二实施例中的S201相同，本实施例中的S406～S407与第二实施例中的S203～S204相同，S402～S405是S202的进一步细化。如图5所示，S402～S405具体如下：
S402：遍历所述待处理文档，从所述待处理文档中查找第二目标信息，所述第二目标信息为同时与所述表前关键信息、所述表内关键信息和所述表后关键信息均匹配的信息。
设备遍历待处理文档，从待处理文档中查找第二目标信息，第二目标信息为同时与表前关键信息、表内关键信息和表后关键信息均匹配的信息。具体地说，设备遍历待处理文档，从待处理文档中查找与表前关键信息、表内关键信息和表后关键信息匹配的信息，即第二目标信息，第二目标信息必须是同时与表前关键信息、表内关键信息、表后关键信息均匹配的信息，当待处理文档中的信息与表前关键信息、表内关键信息或表后关键信息中任意一种信息不匹配时，则不能标记为第二目标信息。
S403：当从所述待处理文档中查找到所述第二目标信息时，获取所述第二目标信息对应的位置信息和目标表的信息。
当待处理文档中的目标信息与表前关键信息、表内关键信息和表后关键信息同时匹配时，可以确定目标信息为待处理文档中的目标表，并且可以确定目标信息的位置信息。所以设备当从待处理文档中查找到第二目标信息时，获取第二目标信息对应的位置信息和目标表的信息。由于不同类型的表可能存在表前关键信息、表内关键信息和表后关键信息相同的情况，所以还需要通过表字段信息进行进一步确定目标表的类型信息。
S404：基于所述目标表的信息和所述表字段信息，确定所述目标表的类型信息。
基于目标表的信息和表字段信息，确定目标表的类型信息。具体地说，由于表字段信息标识了目标表的表头信息，所以设备在目标表的信息中查找与表字段信息匹配的信息，当查找到与表字段信息匹配的信息时，则该目标表的类型信息即为表字段信息对应的预设类型信息。
S405：基于所述位置信息和所述类型信息，确定表格信息。
表格信息包括目标表的位置信息和类型信息，设备基于位置信息和类型信息，确定表格信息。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
请参见图6，图6是本申请第五实施例提供的一种文档数据提取装置的示意图。包括的各单元用于执行图1～图5对应的实施例中的各步骤。具体请参阅图1～图5各自对应的实施例中的相关描述。为了便于说明，仅示出了与本实施例相关的部分。参见图6，文档数据提取装置6包括：
第一确定单元610，用于当检测到文档数据提取请求时，基于所述文档数据提取请求中包含的待处理文档的标识信息确定数据定位信息；所述数据定位信息包括预设类型信息及其对应的特征信息；
第一获取单元620，用于基于所述预设类型信息及其对应的特征信息，获取所述待处理文档中的表格信息和非表格信息；所述表格信息包括全表格信息和半表格信息；
提取单元630，用于基于预设提取策略从所述表格信息和所述非表格信息中，提取出所述待处理文档对应的目标数据。
进一步地，所述特征信息包括所述预设类型信息对应的关键信息；所述关键信息包括表前关键信息、表内关键信息、表后关键信息和表字段信息；第一获取单元620，包括：
第二获取单元，用于基于所述表前关键信息、所述表内关键信息、所述表后关键信息和所述表字段信息，遍历所述待处理文档获取所述待处理文档中的表格信息；
第二确定单元，用于基于所述待处理文档和所述表格信息，确定所述待处理文档对应的非表格信息。
进一步地，所述表格信息包括所述待处理文档中的目标表的位置信息和类型信息；
所述第二获取单元，具体用于：
遍历所述待处理文档，查找第一目标信息；所述第一目标信息为同时与所述表前关键信息、所述表内关键信息、所述表后关键信息和所述表字段信息均匹配的信息；
当从所述待处理文档中查找到所述第一目标信息时，获取所述第一目标信息对应的目标表的位置信息和类型信息。
进一步地，所述第二获取单元，具体用于：
遍历所述待处理文档，从所述待处理文档中查找第二目标信息，所述第二目标信息为同时与所述表前关键信息、所述表内关键信息和所述表后关键信息均匹配的信息；
当从所述待处理文档中查找到所述第二目标信息时，获取所述第二目标信息对应的位置信息和目标表的信息；
基于所述目标表的信息和所述表字段信息，确定所述目标表的类型信息；
基于所述位置信息和所述类型信息，确定表格信息。
进一步地，所述关键信息包括：排除关键信息、包含关键信息、停止关键信息；所述排除关键信息标识所述预设类型信息对应的表中不包含所述排除关键信息；所述包含关键信息标识所述预设类型信息对应的表中包含所述包含关键信息；所述停止关键信息用于暂停匹配所述待处理文档和所述特征信息。
进一步地，第一确定单元610，具体用于：
当检测到文档数据提取请求时，获取所述文档数据提取请求中包括的待处理文档的标识信息；
基于预设标识信息和预设数据定位信息之间的对应关系，确定所述文档标识信息对应的数据定位信息。
图7是本申请第六实施例提供的文档数据提取设备的示意图。如图7所示，该实施例的文档数据提取设备7包括：处理器70、存储器71以及存储在所述存储器71中并可在所述处理器70上运行的计算机程序72，例如文档数据提取程序。所述处理器70执行所述计算机程序72时实现上述各个文档数据提取设备方法实施例中的步骤，例如图1所示的步骤101至103。或者，所述处理器70执行所述计算机程序72时实现上述各装置实施例中各模块/单元的功能，例如图6所示模块610至630的功能。
示例性的，所述计算机程序72可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器71中，并由所述处理器70执行，以完成本申请。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序72在所述文档数据提取设备7中的执行过程。例如，所述计算机程序72可以被分割成第一确定单元、第一获取单元、提取单元，各单元具体功能如下：
第一确定单元，用于当检测到文档数据提取请求时，基于所述文档数据提取请求中包含的待处理文档的标识信息确定数据定位信息；所述数据定位信息包括预设类型信息及其对应的特征信息；
第一获取单元，用于基于所述预设类型信息及其对应的特征信息，获取所述待处理文档中的表格信息和非表格信息；所述表格信息包括全表格信息和半表格信息；
提取单元，用于基于预设提取策略从所述表格信息和所述非表格信息中，提取出所述待处理文档对应的目标数据。
所述文档数据提取设备可包括，但不仅限于，处理器70、存储器71。本领域技术人员可以理解，图7仅仅是文档数据提取设备7的示例，并不构成对文档数据提取设备7的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述文档数据提取设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器70可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器71可以是所述文档数据提取设备7的内部存储单元，例如文档数据提取设备7的硬盘或内存。所述存储器71也可以是所述文档数据提取设备7的外部存储设备，例如所述文档数据提取设备7上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器71还可以既包括所述文档数据提取设备7的内部存储单元也包括外部存储设备。所述存储器71用于存储所述计算机程序以及所述文档数据提取设备所需的其他程序和数据。所述存储器71还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述***中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。
Claims (10)
1.一种文档数据提取方法，其特征在于，包括：
当检测到文档数据提取请求时，基于所述文档数据提取请求中包含的待处理文档的标识信息确定数据定位信息；所述数据定位信息包括预设类型信息及其对应的特征信息；
基于所述预设类型信息及其对应的特征信息，获取所述待处理文档中的表格信息和非表格信息；所述表格信息包括全表格信息和半表格信息；
基于预设提取策略从所述表格信息和所述非表格信息中，提取出所述待处理文档对应的目标数据。
2.如权利要求1所述的文档数据提取方法，其特征在于，所述特征信息包括所述预设类型信息对应的关键信息；所述关键信息包括表前关键信息、表内关键信息、表后关键信息和表字段信息；
所述基于所述预设类型信息及其对应的特征信息，获取所述待处理文档中的表格信息和非表格信息，包括：
基于所述表前关键信息、所述表内关键信息、所述表后关键信息和所述表字段信息，遍历所述待处理文档获取所述待处理文档中的表格信息；
基于所述待处理文档和所述表格信息，确定所述待处理文档对应的非表格信息。
3.如权利要求2所述的文档数据提取方法，其特征在于，所述表格信息包括所述待处理文档中的目标表的位置信息和类型信息；
所述基于所述表前关键信息、所述表内关键信息、所述表后关键信息和所述表字段信息，遍历所述待处理文档获取所述待处理文档中的表格信息，包括：
遍历所述待处理文档，查找第一目标信息；所述第一目标信息为同时与所述表前关键信息、所述表内关键信息、所述表后关键信息和所述表字段信息均匹配的信息；
当从所述待处理文档中查找到所述第一目标信息时，获取所述第一目标信息对应的目标表的位置信息和类型信息。
4.如权利要求2所述的文档数据提取方法，其特征在于，所述基于所述表前关键信息、所述表内关键信息、所述表后关键信息和所述表字段信息，遍历所述待处理文档获取所述待处理文档中的表格信息，包括：
遍历所述待处理文档，从所述待处理文档中查找第二目标信息，所述第二目标信息为同时与所述表前关键信息、所述表内关键信息和所述表后关键信息均匹配的信息；
当从所述待处理文档中查找到所述第二目标信息时，获取所述第二目标信息对应的位置信息和目标表的信息；
基于所述目标表的信息和所述表字段信息，确定所述目标表的类型信息；
基于所述位置信息和所述类型信息，确定表格信息。
5.如权利要求2所述的文档数据提取方法，其特征在于，所述关键信息包括：排除关键信息、包含关键信息、停止关键信息；所述排除关键信息标识所述预设类型信息对应的表中不包含所述排除关键信息；所述包含关键信息标识所述预设类型信息对应的表中包含所述包含关键信息；所述停止关键信息用于暂停匹配所述待处理文档和所述特征信息。
6.如权利要求1-5任一项所述的文档数据提取方法，其特征在于，所述当检测到文档数据提取请求时，基于所述文档数据提取请求中包含的待处理文档的标识信息确定数据定位信息，包括：
当检测到文档数据提取请求时，获取所述文档数据提取请求中包括的待处理文档的标识信息；
基于预设标识信息和预设数据定位信息之间的对应关系，确定所述文档标识信息对应的数据定位信息。
7.一种文档数据提取装置，其特征在于，包括：
第一确定单元，用于当检测到文档数据提取请求时，基于所述文档数据提取请求中包含的待处理文档的标识信息确定数据定位信息；所述数据定位信息包括预设类型信息及其对应的特征信息；
第一获取单元，用于基于所述预设类型信息及其对应的特征信息，获取所述待处理文档中的表格信息和非表格信息；所述表格信息包括全表格信息和半表格信息；
提取单元，用于基于预设提取策略从所述表格信息和所述非表格信息中，提取出所述待处理文档对应的目标数据。
8.如权利要求7所述的文档数据提取装置，其特征在于，所述特征信息包括所述预设类型信息对应的关键信息；所述关键信息包括表前关键信息、表内关键信息、表后关键信息和表字段信息；所述第一获取单元，包括：
第二获取单元，用于基于所述表前关键信息、所述表内关键信息、所述表后关键信息和所述表字段信息，遍历所述待处理文档获取所述待处理文档中的表格信息；
第二确定单元，用于基于所述待处理文档和所述表格信息，确定所述待处理文档对应的非表格信息。
9.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至6任一项所述的方法。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911006121.6A CN110888965A (zh) | 2019-10-22 | 2019-10-22 | 一种文档数据提取方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911006121.6A CN110888965A (zh) | 2019-10-22 | 2019-10-22 | 一种文档数据提取方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110888965A true CN110888965A (zh) | 2020-03-17 |
Family
ID=69746368
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911006121.6A Pending CN110888965A (zh) | 2019-10-22 | 2019-10-22 | 一种文档数据提取方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110888965A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111506588A (zh) * | 2020-04-10 | 2020-08-07 | 创景未来(北京)科技有限公司 | 一种提取电子文档关键信息的方法及装置 |
| CN112232198A (zh) * | 2020-10-15 | 2021-01-15 | 北京来也网络科技有限公司 | 基于rpa及ai的表格内容提取方法、装置、设备及介质 |
| CN112579727A (zh) * | 2020-12-16 | 2021-03-30 | 北京百度网讯科技有限公司 | 文档内容的提取方法、装置、电子设备及存储介质 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104063364A (zh) * | 2013-03-19 | 2014-09-24 | 福建福昕软件开发股份有限公司北京分公司 | 一种pdf文档识别方法 |
| KR20160139081A (ko) * | 2015-05-26 | 2016-12-07 | (주)포커스컴퍼니 | 전자문서내의 통계표내의 수치를 재 계산/연산 가능한 값으로 추출/분류하는 시스템 및 방법 |
| CN106709032A (zh) * | 2016-12-29 | 2017-05-24 | 深圳市华傲数据技术有限公司 | 抽取电子表格文档中结构化信息的方法及装置 |
-
2019
- 2019-10-22 CN CN201911006121.6A patent/CN110888965A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104063364A (zh) * | 2013-03-19 | 2014-09-24 | 福建福昕软件开发股份有限公司北京分公司 | 一种pdf文档识别方法 |
| KR20160139081A (ko) * | 2015-05-26 | 2016-12-07 | (주)포커스컴퍼니 | 전자문서내의 통계표내의 수치를 재 계산/연산 가능한 값으로 추출/분류하는 시스템 및 방법 |
| CN106709032A (zh) * | 2016-12-29 | 2017-05-24 | 深圳市华傲数据技术有限公司 | 抽取电子表格文档中结构化信息的方法及装置 |
Non-Patent Citations (1)
| Title |
|---|
| 龚胜泉: "《知识管理与数字图书馆建设研究》", 31 March 2014, 四川大学出版社 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111506588A (zh) * | 2020-04-10 | 2020-08-07 | 创景未来(北京)科技有限公司 | 一种提取电子文档关键信息的方法及装置 |
| CN112232198A (zh) * | 2020-10-15 | 2021-01-15 | 北京来也网络科技有限公司 | 基于rpa及ai的表格内容提取方法、装置、设备及介质 |
| CN112579727A (zh) * | 2020-12-16 | 2021-03-30 | 北京百度网讯科技有限公司 | 文档内容的提取方法、装置、电子设备及存储介质 |
| CN112579727B (zh) * | 2020-12-16 | 2022-03-22 | 北京百度网讯科技有限公司 | 文档内容的提取方法、装置、电子设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110888965A (zh) | 一种文档数据提取方法及装置 | |
| CN107357929B (zh) | 文件读取方法、移动终端及可读存储介质 | |
| CN110287346B (zh) | 数据存储方法、装置、服务器及存储介质 | |
| CN111062013B (zh) | 一种账号过滤方法、装置、电子设备及机器可读存储介质 | |
| CN109871251B (zh) | 一种响应数据的处理方法、装置、存储介质及终端设备 | |
| CN110012049B (zh) | 信息推送方法. ***. 服务器及计算机可读存储介质 | |
| CN111460098A (zh) | 文本匹配方法、装置及终端设备 | |
| CN111367870A (zh) | 一种绘本共享方法、装置和*** | |
| CN107748772B (zh) | 一种商标识别方法及装置 | |
| CN111737564A (zh) | 一种信息查询方法、装置、设备及介质 | |
| CN113129150A (zh) | 交易数据的处理方法、装置、终端设备及可读存储介质 | |
| CN109656592B (zh) | 卡片管理方法、装置、终端及计算机可读存储介质 | |
| CN112783971B (zh) | 交易记录方法、交易查询方法、电子设备及存储介质 | |
| CN111858581B (zh) | 一种分页查询的方法、装置、存储介质和电子设备 | |
| CN112597192A (zh) | 数据查询方法、装置、服务器及介质 | |
| CN109842482B (zh) | 一种信息同步方法、***及终端设备 | |
| CN110427538B (zh) | 一种数据查询方法、存储方法、装置及电子设备 | |
| CN105653540B (zh) | 文件属性信息的处理方法和装置 | |
| CN109101630B (zh) | 一种应用程序搜索结果的生成方法、装置及设备 | |
| CN115617748A (zh) | 物料清单信息解析方法、装置、设备及存储介质 | |
| CN104268277A (zh) | 用于数据库的数据读取方法及装置 | |
| CN114461418A (zh) | 进程间通信方法、装置及电子设备 | |
| CN112711584A (zh) | 一种数据检查方法、检查装置、终端设备及可读存储介质 | |
| CN110347683B (zh) | 一种数据表合并处理方法及装置 | |
| CN110046180B (zh) | 一种用于定位相似实例的方法、装置和电子设备 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |