CN114116616B - 用于挖掘pdf文件的方法、设备和介质 - Google Patents
用于挖掘pdf文件的方法、设备和介质 Download PDFInfo
- Publication number
- CN114116616B CN114116616B CN202210089715.3A CN202210089715A CN114116616B CN 114116616 B CN114116616 B CN 114116616B CN 202210089715 A CN202210089715 A CN 202210089715A CN 114116616 B CN114116616 B CN 114116616B
- Authority
- CN
- China
- Prior art keywords
- data
- pdf file
- coordinate
- text
- block
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract 15
- 238000005065 mining Methods 0.000 title claims abstract 14
- 230000007246 mechanism Effects 0.000 claims abstract 24
- 230000004044 response Effects 0.000 claims 6
- 230000006870 function Effects 0.000 claims 5
- 230000014509 gene expression Effects 0.000 claims 5
- 238000010606 normalization Methods 0.000 claims 3
- 238000004364 calculation method Methods 0.000 claims 1
- 230000008520 organization Effects 0.000 claims 1
- 230000008569 process Effects 0.000 claims 1
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
- G06F16/10—File systems; File servers
- G06F16/14—Details of searching files based on file metadata
- G06F16/148—File search processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/10—File systems; File servers
- G06F16/16—File or folder operations, e.g. details of user interfaces specifically adapted to file systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/10—Text processing
- G06F40/166—Editing, e.g. inserting or deleting
- G06F40/186—Templates
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/10—Text processing
- G06F40/194—Calculation of difference between files
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2216/00—Indexing scheme relating to additional aspects of information retrieval not explicitly covered by G06F16/00 and subgroups
- G06F2216/03—Data mining
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Audiology, Speech & Language Pathology (AREA)
- General Health & Medical Sciences (AREA)
- Library & Information Science (AREA)
- Human Computer Interaction (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开的实施例涉及用于挖掘PDF文件的方法、设备和介质。在该方法中,可以解析所述PDF文件的文本块,以便获取所述PDF文件的文本块的坐标信息;基于所解析的所述PDF文件的文本块,利用机构确定算法确定与所述PDF文件相关联的目标关联机构;利用匹配算法将所述目标关联机构的一个或多个报告模板与所述文本块的坐标信息进行匹配,从而确定一个或多个报告模板与所述PDF文件的匹配度数据;基于所获取的匹配度数据,确定与所述PDF文件对应的目标关联机构的报告模板;基于所确定的报告模板,挖掘所述PDF文件中与所确定的报告模板对应的数据。由此,本公开能够实现准确挖掘PDF文件的数据并将所挖掘数据与其实际含义相关联。
Description
技术领域
本公开的实施例总体涉及数据处理领域,并且更具体地涉及一种用于挖掘PDF文件的方法、计算设备和计算机可读存储介质。
背景技术
PDF(Portable Document Format,便携文件格式)是一种由Adobe公司开发的一种电子文档格式,其具有与操作***平台无关性的特点。PDF属于版式文档,页面之间相对独立,从而可以精确描述文档布局并展现文档版面。然而PDF不记录文件的框架结构,换言之,PDF文件不包括其中的组织的公式关系。
在包括多样化内容的专业PDF文件(例如,商业、金融、法律PDF文件)中,一页PDF文件中常常会混杂有主题、正文、表格、装饰元素、特定机构标识等内容,并且这些内容往往包括数字、字符、特殊符号等不同编码。
传统的用于挖掘PDF文件的方案是通过直接识别PDF文件中的文本块来完成。所识别的文本块被直接提取成可编辑字符。尽管本领域一些常用方案或工具可以简单地根据行/列格式提取所识别的文本块并保留部分PDF文件框架,但是这一过程中,绝大部分的PDF文件的框架结构遭到丢失。
同时,在现在的PDF文件中,文件框架结构往往具有实际含义。丢失框架意味着数据丢失了对应的实际含义。后期需要花费大量的时间和人力成本对数据进行标注。如果在数据量巨大的情况下,这样的标注是不可行的。
综上,传统的用于挖掘PDF文件的方案所存在的不足之处在于:PDF文件在被挖掘为可编辑数据时丢失其原有的PDF文件框架结构。
发明内容
针对上述问题,本公开提供了一种用于挖掘PDF文件的方法、计算设备和计算机可读存储介质。方法能够准确挖掘PDF文件的数据并将所挖掘数据与其实际含义相关联。
根据本公开的第一方面,提供了一种用于挖掘PDF文件的方法,包括:解析所述PDF文件的文本块,以便获取所述PDF文件的文本块的坐标信息;基于所解析的所述PDF文件的文本块,利用机构确定算法确定与所述PDF文件相关联的目标关联机构;利用匹配算法将所述目标关联机构的一个或多个报告模板与所述文本块的坐标信息进行匹配,从而确定一个或多个报告模板与所述PDF文件的匹配度数据;基于所获取的匹配度数据,确定与所述PDF文件对应的目标关联机构的报告模板;基于所确定的报告模板,挖掘所述PDF文件中与所确定的报告模板对应的数据。
根据本公开的第二方面,提供了一种计算设备,包括:至少一个处理器;以及与至少一个处理器通信连接的存储器;存储器存储有可被至少一个处理器执行的指令,指令被至少一个处理器执行,以使至少一个处理器能够执行本公开的第一方面的方法。
在本公开的第三方面中,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,其中计算机指令用于使计算机执行本公开的第一方面的方法。
在一个实施例中,利用机构确定算法确定与所述PDF文件相关联的目标关联机构包括:构建关于与PDF文件相关联的多个机构的机构关键特征数组,机构关键特征数组包括:与机构相关联的关键特征的数量、关键特征和关键特征所对应的权重;基于机构关键特征数组,针对基于PDF文件所解析的文本块进行检索,以便确定与机构相关联的关键特征出现的次数;以及基于所确定的与机构相关联的关键特征出现的次数,计算目标关联机构的权重序列,以用于确定PDF文件的目标关联机构。
在一个实施例中,确定PDF文件的目标关联机构还包括:确定与权重序列中的最大值所对应的机构;确定与最大值所对应的机构的数量是否为1;响应于确定与最大值所对应的机构的数量为1,确定与最大值所对应的机构为PDF文件的目标关联机构;以及响应于确定与最大值所对应的机构的数量大于1,确定未识别目标关联机构。
在一个实施例中,利用匹配算法将所述目标关联机构的一个或多个报告模板与所述文本块的坐标信息进行匹配包括:针对所述一个或多个报告模板中的每个报告模板,分别定义识别特征块;获取所述识别特征块的坐标信息;针对所述一个或多个报告模板中的每个报告模板,基于文本块的坐标信息以及所述报告模板的识别特征块的坐标信息,根据匹配函数计算所述报告模板与文本块的匹配值;以及对所计算的所有匹配值进行运算,从而确定一个或多个报告模板与所述PDF文件的匹配度数据。
在一个实施例中,根据匹配函数计算所述报告模板与文本块的匹配值包括:在确定满足以下各项条件中的至少一项条件的情况下,所述匹配函数的匹配值为第一预定值:文本块的左上坐标的横坐标值落入在识别特征块的左上坐标和右下坐标的横坐标值区间并且文本块的左上坐标的纵坐标值落入在识别特征块的左上坐标和右下坐标的纵坐标值区间,文本块的右下坐标的横坐标值落入在识别特征块的左上坐标和右下坐标的横坐标值区间并且文本块的右下坐标的纵坐标值落入在识别特征块的左上坐标和右下坐标的纵坐标值区间,识别特征块的左上坐标的横坐标值落入在文本块的左上坐标和右下坐标的横坐标值区间并且识别特征块的左上坐标的纵坐标值落入在文本块的左上坐标和右下坐标的纵坐标值区间,识别特征块的右下坐标的横坐标值落入在文本块的左上坐标和右下坐标的横坐标值区间并且识别特征块的右下坐标的纵坐标值落入在识别特征块的左上坐标和右下坐标的纵坐标值区间;以及在确定不满足以上各项条件中的任意一项条件的情况下,所述匹配函数的匹配值为第二预定值。
在一个实施例中,挖掘所述PDF文件中与所确定的报告模板对应的数据包括:针对所述一个或多个报告模板中的每个报告模板,分别定义挖掘特征块;确定所述挖掘特征块的坐标信息;基于文本块的坐标信息以及所确定的报告模板的挖掘特征块的坐标信息,根据挖掘匹配函数计算所确定的报告模板与文本块的匹配值;将匹配值不为第二预定值的文本块挖掘为与所确定的报告模板对应的数据。
在一个实施例中,用于挖掘PDF文件的方法还包括:基于所确定的报告模板的挖掘特征块的数据结构,验证所挖掘的数据的合法性;响应于所挖掘的数据的合法性为合法,对所述PDF文件中的所挖掘的数据执行归一化处理;以及响应于所挖掘的数据的合法性为非法,基于匹配度数据确定其他报告模板并重新对所述PDF文件进行挖掘。
在一个实施例中,对所述PDF文件中的所挖掘的数据执行归一化处理包括:定义报告模板的挖掘特征块的标准表达式;基于所述标准表达式定义对应的多个非标准表达式;以及将所挖掘的数据中的非标准表达式统一转换为标准表达式。
在一个实施例中,对所述PDF文件中的所挖掘的数据执行归一化处理还包括:基于所挖掘的数据,确定与所挖掘的数据中的股票数据相关联的最接近实际年;查询所述股票数据在最接近实际年的真实数据;以及将所述股票数据和所述真实数据进行比较,从而获取所述股票数据的单位。
在一个实施例中,计算所获取的文本块的文本字符数;确定所计算的文本字符数是否大于或者等于预定字符数阈值;响应于确定所计算的文本字符数大于或者等于预定字符数阈值,基于第一算法计算所获取的文本块的相似度;响应于确定所计算的文本字符数小于等于预定字符数阈值,基于第二算法计算所获取的文本块的相似度;以及基于相似度计算结果,针对所获取的文本块进行去重。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
结合附图并参考以下详细说明,本公开各实施例的上述和其他特征、优点及方面将变得更加明显。在附图中,相同或相似的附图标注表示相同或相似的元素。
图1示出了用于实现根据本公开的实施例的用于挖掘PDF文件的***100的示意图。
图2示出了根据本公开的实施例的用于挖掘PDF文件的方法200的流程图。
图3示出了根据本公开的实施例的利用机构确定算法确定与所述PDF文件相关联的目标关联机构的方法300的流程图。
图4示出了根据本公开的实施例的用于确定PDF文件的目标关联机构的方法400的流程图。
图5示出了根据本公开的实施例的利用匹配算法将所述目标关联机构的一个或多个报告模板与所述文本块的坐标信息进行匹配的方法500的流程图。
图6示出了根据本公开的实施例的定义识别特征块的示意图。
图7示出了根据本公开的实施例的挖掘所述PDF文件中与所确定的报告模板对应的数据的方法700的流程图。
图8示出了根据本公开的实施例的验证所挖掘的数据的合法性的方法800的流程图。
图9示出了根据本公开的实施例的对所述PDF文件中的所挖掘的数据执行归一化处理的方法900的流程图。
图10示出了根据本公开的实施例的对所述PDF文件中的所挖掘的数据执行归一化处理的方法1000的流程图。
图11示出了根据本公开的实施例的用于针对所获取的文本块进行去重的方法1100的流程图。
图12示出了可以用来实施本公开内容的实施例的示例电子设备1200的示意性框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本公开的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
在本文中使用的术语“包括”及其变形表示开放性包括,即“包括但不限于”。除非特别申明,术语“或”表示“和/或”。术语“基于”表示“至少部分地基于”。术语“一个示例实施例”和“一个实施例”表示“至少一个示例实施例”。术语“另一实施例”表示“至少一个另外的实施例”。术语“第一”、“第二”等等可以指代不同的或相同的对象。下文还可能包括其他明确的和隐含的定义。
如前文所描述,包含有复杂框架结构的PDF文件无法被传统的挖掘PDF文件的方案所准确挖掘或识别。即使挖掘出PDF文件中的数据,丢失的文件框架结构将会造成所挖掘数据的实际含义的丢失。由于PDF文件并无统一格式,很难直接通过统一的格式对海量的PDF文件进行普遍性挖掘。该问题在专业PDF文件中尤为突出。这样的PDF文件中存在大量复杂字符且文件框架结构复杂。同时如果不按照框架结构对其进行挖掘,数据将失去其实际含义。这样的数据后期需要人工重新标注,而人工标注方法在大数据中是难以执行的。
为了至少部分地解决上述问题以及其他潜在问题中的一个或者多个,本公开的示例实施例提出了一种用于挖掘PDF文件的方案,在本公开方案中,可以通过机构确定算法确定PDF文件所属的机构。同时每个机构定义有一个或多个报告模板。通过采用本公开提出的模板匹配算法,可以将PDF文件匹配到所定义的一个或多个报告模板中。同时,通过采用数据挖掘算法,可以通过所匹配的报告模板从PDF文件中挖掘数据,从而能够实现将PDF文件处理为具有规整结构的数据。例如,将PDF文件挖掘为与实际含义相关联的Excel数据表单、XML文件、YAML文件等文件。
另外,本公开还提供了对所挖掘数据进行进一步挖掘(例如,年份挖掘、数据深度挖掘、表格分割)的相应方法,从而提升所挖掘数据的精细度。
图1示出了用于实现根据本公开的实施例的用于挖掘PDF文件的***100的示意图。如图1中所示,***100包括计算设备110和PDF文件管理设备130和网络140。计算设备110、PDF文件管理设备130可以通过网络140(例如,因特网)进行数据交互。
PDF文件管理设备130,其例如可以执行对PDF文件的常规管理,例如收集、存储PDF文件。PDF文件管理设备130还可以将所管理的PDF文件发送给计算设备110。PDF文件管理设备130例如而不限于:可执行PDF文件读取和修改的台式计算机、膝上型计算机、上网本计算机、平板电脑、网络浏览器、电子书阅读器、个人数字助理(PDA)和可穿戴计算机(诸如智能手表和活动追踪器设备)等。PDF文件管理设备130可以配置成存储PDF文件,将PDF文件经由网络140发送到计算设备110,并且接收来自计算设备110处理的PDF文件。
关于计算设备110,其例如用于经由网络140接收来自PDF文件管理设备130的PDF文件。计算设备110可以对所接收的PDF文件执行机构识别。基于所识别的机构,可以匹配与PDF文件相关的该机构的模板。基于所匹配的模板,可以从PDF文件中准确挖掘出相关数据。计算设备110还可以对所挖掘的数据执行文本块去重、数据验证以及归一化等相关操作。计算设备110可以具有一个或多个处理单元,包括诸如GPU、FPGA和ASIC等的专用处理单元以及诸如CPU的通用处理单元。另外,在每个计算设备110上也可以运行着一个或多个虚拟机。在一些实施例中,计算设备110与PDF文件管理设备130可以集成在一起,也可以是彼此分立设置。在一些实施例中,计算设备110例如包括目标表格区域提取单元112、机构确定单元114、模板匹配单元116、模板确定单元118、数据挖掘单元120以及附加处理单元122。
提取单元112,所述提取单元112配置成解析所述PDF文件的文本块,以便获取所述PDF文件的文本块的坐标信息。
机构确定单元114,所述机构确定单元114配置成基于所解析的所述PDF文件的文本块,利用机构确定算法确定与所述PDF文件相关联的目标关联机构。
模板匹配单元116,所述模板匹配单元116配置成利用匹配算法将所述目标关联机构的一个或多个报告模板与所述文本块的坐标信息进行匹配,从而确定一个或多个报告模板与所述PDF文件的匹配度数据。
模板确定单元118,所述模板确定单元118配置成基于所获取的匹配度数据,确定与所述PDF文件对应的目标关联机构的报告模板。
数据挖掘单元120,所述数据挖掘单元110配置成基于所确定的报告模板,挖掘所述PDF文件中与所确定的报告模板对应的数据。
附加处理单元122可以配置成执行数据验证、数据归一化、数据去重等多种操作。
单元112-单元120可以提取PDF文件中的文本信息。基于所提取的文本信息,可以确定PDF文件相关联的关联机构。在确定关联机构后,可以通过坐标匹配的方式确定PDF文件相关联的报告模板。基于所确定的报告模板,可以通过匹配的方式挖掘PDF文件中的数据,从而实现准确挖掘PDF文件并且保留其中数据的实际含义。
基于单元112-单元120挖掘的数据,附加处理单元122还可以对所挖掘的数据执行数据验证、数据归一化、数据去重等多种操作。在对PDF文件完成以上处理后,可以将所挖掘的PDF文件中的数据经由网络140传送到PDF文件管理设备130。
注意的是,本公开的用于挖掘PDF文件的方案涉及用于定位PDF文件中字符的坐标系。在本领域中,PDF文件坐标系可以以左上角为原点,原点正右方为x水平方向,原点正下方为y垂直方向。基于这样的坐标系,可以以左上坐标和右下坐标定位一个标准的文本信息。然而,还可以基于不同的方式建立不同的坐标系。坐标系的选取不会影响本公开提出的挖掘PDF文件的技术方案。
以下结合图1说明用于挖掘PDF文件的方法200。图2出于整体呈现用于挖掘PDF文件的方案的工作原理的目的而示出了各种路径和顺序,但是其中一些路径和路径并不是实施以下的示例所必需的,可以以不同的顺序和路径执行本公开技术方案所涉及的各种方法。
图2示出了根据本公开的实施例的用于挖掘PDF文件的方法200的流程图。方法200可由如图1所示的计算设备110执行,也可以在图12所示的电子设备1200处执行。应当理解的是,方法200还可以包括未示出的附加框和/或可以省略所示出的框,本公开的范围在此方面不受限制。
在步骤202,计算设备110可以解析所述PDF文件的文本块,以便获取所述PDF文件的文本块的坐标信息。
在一些实施例中,计算设备110可以通过PDF处理领域常用的处理工具,例如PDFminer、Camelot等将PDF文件中所有或部分文本块解析为可编辑的文本块。
注意的是,利用PDF处理领域常用的处理工具解析文本块仅包括解析PDF文件中的文本内容,即,识别其中合法定义的可处理字符或者字符串。在此,处理工具并没有识别PDF文件的结构。例如,在此步骤没有识别文件中的多个文本块之间的关联关系。
还应注意的是,PDF处理领域常用的处理工具可以包括任何可以解析PDF文本的代码、软件、库文件,例如由Python、Java等程序语言可调用的软件包或者软件库,其包括但不限于PDFminer、Camelot等。
在步骤204,计算设备110可以基于所解析的所述PDF文件的文本块,利用机构确定算法确定与所述PDF文件相关联的目标关联机构。
在一个实施例中,基于在步骤202所解析的所述PDF文件的文本块,计算设备110可以利用机构确定算法确定与所述PDF文件相关联的目标关联机构。在本公开的上下文中,目标关联机构可以是与PDF文件存在关联的任何实体,例如,PDF文件的制作方、出品方或者发行方。
由于目标关联机构通常采用固定的一个或多个报告模板制作公开的PDF文件,因此这样PDF文件在时间维度上具有强相关性。利用这种强相关性,可以确定与PDF文件相关联的报告模板,从而基于报告模板挖掘PDF文件的数据。
机构确定算法的原理是基于所解析的文本块的强特征(例如,地址、logo标识)在多个机构中识别目标关联机构。通过定义机构的特征集合,可以计算有多少文本块与机构特征相关。进一步通过权重计算,可以计算出PDF文件相对于多个机构的分数。基于最优的分数,可以确定与PDF文件相关的机构。
在下文中将具体介绍机构确定算法以及机构确定步骤。
在步骤206,计算设备110可以利用匹配算法将所述目标关联机构的一个或多个报告模板与所述文本块的坐标信息进行匹配,从而确定一个或多个报告模板与所述PDF文件的匹配度数据。
在一个实施例中,基于在步骤204中所确定的目标关联机构,计算设备110可以将定义在目标关联机构名下的一个或多个报告模板分别与所述文本块的坐标信息进行匹配。计算设备110将根据报告模板中的特征与文本块进行匹配,从而确定针对一个或多个报告模板的一个或多个匹配度数据。
在下文中将具体介绍匹配算法以及匹配步骤。
在步骤208,计算设备110可以基于所获取的匹配度数据,确定与所述PDF文件对应的目标关联机构的报告模板。
在一个实施例中,基于在步骤206中所确定的针对目标关联机构的一个或多个报告模板的一个或多个匹配度数据,计算设备110可以确定其中最优匹配度数据的报告模板为与所述PDF文件对应的目标关联机构的报告模板。所确定的报告模板可以在后续步骤中用于挖掘PDF文件的数据。
在步骤210,计算设备110可以基于所确定的报告模板,挖掘所述PDF文件中与所确定的报告模板对应的数据。
在一个实施例中,计算设备110可以基于在步骤208所确定的报告模板利用数据挖掘算法挖掘所述PDF文件,从而挖掘所述PDF文件中与所确定的报告模板对应的数据。具体来说,计算设备110可以根据数据挖掘算法将报告模板中的挖掘特征与PDF文件再进行一次匹配。如果匹配成功,则将匹配到挖掘特征的数据挖掘为与挖掘特征相关联的数据,并且添加相应标识,将数据提取或存储到PDF文件外。如果匹配失败,则可以通过人工识别等方法进一步处理。
在下文中将具体介绍数据挖掘算法以及挖掘步骤。
图3示出了根据本公开的实施例的利用机构确定算法确定与所述PDF文件相关联的目标关联机构的方法300的流程图。方法300对应于方法200的步骤204。方法300可由如图1所示的计算设备110执行,也可以在图12所示的电子设备1200处执行。
如上所述,由于制作机构(例如,法律机构、金融机构)出具的PDF文件都有非常明显的强特征。因此可以基于机构的强特征确定PDF文件相关联的目标关联机构(例如,出品PDF文件的机构)。
在步骤302,计算设备110可以构建关于与PDF文件相关联的多个机构的机构关键特征数组,机构关键特征数组包括:与机构相关联的关键特征的数量、关键特征和关键特征所对应的权重。
具体来说,用户可以预先构建与机构相关联的关键特征的数量、关键特征和关键特征所对应的权重。例如,针对某证券公司,用户可以为其定义一个或多个(例如,3个)关键特征,分别为公司名称、公司机构注册办公地址、公司的标识(logo),并对相应特征赋予相应权重,例如公司名称权重为1,公司机构注册办公地址权重为3、公司的标识(logo)权重为5,权重越高认为特征与机构越相关。
在步骤304,计算设备110可以基于机构关键特征数组,针对基于PDF文件所解析的文本块进行检索,以便确定与机构相关联的关键特征出现的次数。通过设置有关键特征后,可以检索PDF文件中所解析的文本块,提取信息的方式可以如上文所描述。通过文本检索,可以确定与机构相关联的关键特征出现的次数。关键特征出现的次数可以与如步骤302中所定义的权重配合计算相关联机构的可能性。
在步骤306,计算设备110可以基于所确定的与机构相关联的关键特征出现的次数,计算目标关联机构的权重序列,以用于确定PDF文件的目标关联机构。在获得关键特征、特征权重以及特征出现次数后,可以生成针对目标机构的权重序列。通过对针对目标机构的权重序列进行排序,从而挖掘排序第一的PDF文件为目标关联机构。例如,权重序列排序中第一的为某证券公司,则可以认为该PDF文件与某证券公司相关联,例如文件为某证券公司所撰写。
利用此技术方案,可以通过所定义的机构的强特征计算一个或多个机构与PDF文件的相关度(例如,权重序列)。通过权重序列可以确定与PDF文件相关联的目标关联机构。
图4示出了根据本公开的实施例的用于确定PDF文件的目标关联机构的方法400的流程图。方法400对应于方法200中的步骤204。方法400可由如图1所示的计算设备110执行,也可以在图12所示的电子设备1200处执行。
在步骤402,计算设备110可以确定与权重序列中的最大值所对应的机构。通过方法300中所述的方法,可以取得PDF文件的权重序列,确定序列中的最大值对应的机构。
在步骤404,计算设备110可以确定与最大值所对应的机构的数量是否为1,即确定是否存在多于一个的最大值对应的机构。例如存在两个或更多个相同的最大值,则意味着分别对应两个或更多个不同机构。
在步骤406,计算设备110可以响应于确定与最大值所对应的机构的数量为1,确定与最大值所对应的机构为PDF文件的目标关联机构。在只存在1个最大值的情况下,最大值对应的机构为PDF文件的目标关联机构。
在步骤408,计算设备110可以响应于确定与最大值所对应的机构的数量大于1,确定未识别目标关联机构。如果存在多个相同最大值且最大值对应的机构不同,则无法确定PDF文件的目标关联机构。需要例如人工识别的进一步的方法来确定PDF文件的目标关联机构。
利用此技术方案,可以在权重序列具有多个相同数值时,通过例如人工识别的进一步的方法确定与PDF文件相关联的目标关联机构。
图5示出了根据本公开的实施例的利用匹配算法将所述目标关联机构的一个或多个报告模板与所述文本块的坐标信息进行匹配的方法500的流程图。方法500对应于方法200的步骤206。方法500可由如图1所示的计算设备110执行,也可以在图12所示的电子设备1200处执行。
如上所示,由于目标关联机构针对不同报告可能设置有不同报告模板,因此在确定目标关联机构后,还需要进行目标关联机构的一个或多个报告模板的匹配。
在步骤502,计算设备110可以针对所述一个或多个报告模板中的每个报告模板,分别定义识别特征块。
在一个实施例中,计算设备110可以针对目标关联机构的一个或多个报告模板中的每个报告模板分别定义识别特征块。
图6示出了根据本公开的实施例的定义识别特征块的示意图。如图6所示,计算设备110可以对该报告定义三个识别特征块,分别为股票代码区域、标题区域以及摘要区域。这三个关键区域基本涵盖了报告的主要特征。基于这三个特征,可以确定PDF文件是否属于此报告模板。在其他实施例中,也可以定义包含其他区域的识别特征块。例如,还可以定义右上角为标题区域的识别特征块。识别特征块定义越多,识别匹配越准确。
在步骤504,计算设备110可以获取所述识别特征块的坐标信息。
在一个实施例中,计算设备110可以获取在步骤502所定义的区别特征块的坐标信息。坐标信息可以包括识别特征块的左上坐标以及右下坐标。相应地,也可以包括识别特征块的右上坐标以及左下坐标或者包括识别特征块的其他坐标。注意的是,坐标信息可以根据坐标系的定义不同而相应变换。这样变换的坐标均包含在本公开的技术方案内。
在步骤506,计算设备110可以针对所述一个或多个报告模板中的每个报告模板,基于文本块的坐标信息以及所述报告模板的识别特征块的坐标信息,根据匹配函数计算所述报告模板与文本块的匹配值。
在一个实施例中,针对目标关联机构的一个或多个报告模板中的每个报告模板,计算设备110可以基于PDF文件的文本块的坐标信息以及在步骤504中获取的报告模板的识别特征块的坐标信息,根据匹配函数计算所述报告模板与文本块的匹配值。
以文本块和识别特征块的左上坐标以及右下坐标为例,匹配函数可以表示为满足下列条件中的任一项,则匹配函数的匹配值为第一预定值:
文本块的左上坐标的横坐标值落入在识别特征块的左上坐标和右下坐标的横坐标值区间并且文本块的左上坐标的纵坐标值落入在识别特征块的左上坐标和右下坐标的纵坐标值区间;
文本块的右下坐标的横坐标值落入在识别特征块的左上坐标和右下坐标的横坐标值区间并且文本块的右下坐标的纵坐标值落入在识别特征块的左上坐标和右下坐标的纵坐标值区间;
识别特征块的左上坐标的横坐标值落入在文本块的左上坐标和右下坐标的横坐标值区间并且识别特征块的左上坐标的纵坐标值落入在文本块的左上坐标和右下坐标的纵坐标值区间;以及
识别特征块的右下坐标的横坐标值落入在文本块的左上坐标和右下坐标的横坐标值区间并且识别特征块的右下坐标的纵坐标值落入在识别特征块的左上坐标和右下坐标的纵坐标值区间,
在确定不满足以上各项条件中的任意一项条件的情况下,匹配函数的匹配值为第二预定值。在实施例中,第一预定值可以为1而第二预定值可以为0。借助于以上的匹配函数,计算设备110可以计算报告模板与一个文本块的匹配值。
注意的是,匹配函数可以根据识别特征块的区域设置为其他不同条件的组合。例如,匹配函数可以仅在满足下列条件中的任一项的情况下,则匹配函数的匹配值为第一预定值:
文本块的左上坐标的横坐标值落入在识别特征块的左上坐标和右下坐标的横坐标值区间并且文本块的左上坐标的纵坐标值落入在识别特征块的左上坐标和右下坐标的纵坐标值区间;以及
文本块的右下坐标的横坐标值落入在识别特征块的左上坐标和右下坐标的横坐标值区间并且文本块的右下坐标的纵坐标值落入在识别特征块的左上坐标和右下坐标的纵坐标值区间;
在确定不满足以上各项条件中的任意一项条件的情况下,匹配函数的匹配值为第二预定值。用户可以灵活设置匹配函数以满足不同识别匹配需求。
由于PDF文件包括一个或多个文本块,因此计算设备110可以依次分别计算一个或多个文本块与报告模板的匹配值,从而获取PDF文件与报告模板的总的匹配度数据。
在步骤508,计算设备110可以对所计算的所有匹配值进行运算,从而确定一个或多个报告模板与所述PDF文件的匹配度数据。
在一个实施例中,计算设备110可以对在步骤506中所计算的针对一个或多个文本块分别与报告模板匹配的匹配值进行运算,从而确定该报告模板与所述PDF文件的匹配度数据。在此,运算可以是通过直接求和的方式实现。
在另一个实施例中,运算也可以通过加权求和的方式实现。例如可以对一个或多个文本块设置不同的加权系数,即对每个匹配配置相应的权重系数。例如,越重要的区域可以设置更大的权重系数。从而在加权求和中确保报告模板与PDF文件的匹配度数据足够准确。
以此方式,通过计算目标关联机构的一个或多个报告模板与PDF文件的匹配度数据,可以获取每个报告模板与PDF文件的匹配度数据。因此,可以选取得分最高的报告模板作为目标关联机构匹配到该PDF文件的报告模板。
利用此技术方案,可以通过基于坐标信息的匹配函数计算出目标关联机构中与PDF文件最匹配的报告模板。可以在后续步骤中使用该模板来准确挖掘PDF文件。
图7示出了根据本公开的实施例的挖掘所述PDF文件中与所确定的报告模板对应的数据的方法700的流程图。方法700对应于方法200的步骤210。方法700可由如图1所示的计算设备110执行,也可以在图12所示的电子设备1200处执行。
在步骤702,计算设备110可以针对所述一个或多个报告模板中的每个报告模板,分别定义挖掘特征块。
在一个实施例中,类似于如上所述的识别特征块,计算设备110可以针对所述一个或多个报告模板中的每个报告模板分别定义挖掘特征块。挖掘特征块可以覆盖需要挖掘的数据所在的区域。例如,如果需要挖掘PDF文件中的股票代码和摘要,则可以将股票代码区域和摘要区域定义为挖掘特征块。在此步骤中,可以定义一个或多个挖掘特征块。
在步骤704,计算设备110可以获取所述挖掘特征块的坐标信息。
在一个实施例中,计算设备110可以获取所述挖掘特征块的坐标信息。坐标信息可以包括挖掘特征块的左上坐标以及右下坐标。相应地,也可以包括识别特征块的右上坐标以及左下坐标或者包括识别特征块的其他坐标。注意的是,坐标信息可以根据坐标系的定义不同而相应变换。这样变换的坐标均包含在本公开的技术方案内。
在步骤706,计算设备110可以基于文本块的坐标信息以及所确定的报告模板的挖掘特征块的坐标信息,根据挖掘匹配函数计算所确定的报告模板与文本块的匹配值。
在一个实施例中,基于在先前步骤所确定的与PDF文件相关联的目标关联机构的报告模板,计算设备110可以根据报告模板的挖掘特征块的坐标信息、文本块的坐标信息以及挖掘匹配函数来挖掘PDF文件。步骤706中的挖掘匹配函数可以与步骤506中的匹配函数类似。以类似的匹配函数为例,挖掘匹配函数可以表示为满足下列条件中的任一项,则挖掘匹配函数的匹配值为第一预定值:
文本块的左上坐标的横坐标值落入在挖掘特征块的左上坐标和右下坐标的横坐标值区间并且文本块的左上坐标的纵坐标值落入在挖掘特征块的左上坐标和右下坐标的纵坐标值区间;
文本块的右下坐标的横坐标值落入在挖掘特征块的左上坐标和右下坐标的横坐标值区间并且文本块的右下坐标的纵坐标值落入在挖掘特征块的左上坐标和右下坐标的纵坐标值区间;
挖掘特征块的左上坐标的横坐标值落入在文本块的左上坐标和右下坐标的横坐标值区间并且挖掘特征块的左上坐标的纵坐标值落入在文本块的左上坐标和右下坐标的纵坐标值区间;以及
挖掘特征块的右下坐标的横坐标值落入在文本块的左上坐标和右下坐标的横坐标值区间并且挖掘特征块的右下坐标的纵坐标值落入在挖掘特征块的左上坐标和右下坐标的纵坐标值区间,
在确定不满足以上各项条件中的任意一项条件的情况下,挖掘匹配函数的匹配值为第二预定值。在实施例中,第一预定值可以为1而第二预定值可以为0。借助于以上的挖掘匹配函数,计算设备110可以确定PDF文件的文本块是否与报告模板匹配。
注意的是,挖掘步骤中所使用的匹配函数也可以与匹配步骤中所使用的匹配函数不同。可以根据识别特征块的区域设置为其他不同条件的组合。例如,挖掘匹配函数可以仅在满足下列条件中的任一项的情况下,则挖掘匹配函数的匹配值为第一预定值:
挖掘特征块的左上坐标的横坐标值落入在文本块的左上坐标和右下坐标的横坐标值区间并且挖掘特征块的左上坐标的纵坐标值落入在文本块的左上坐标和右下坐标的纵坐标值区间;以及
挖掘特征块的右下坐标的横坐标值落入在文本块的左上坐标和右下坐标的横坐标值区间并且挖掘特征块的右下坐标的纵坐标值落入在挖掘特征块的左上坐标和右下坐标的纵坐标值区间。
在确定不满足以上各项条件中的任意一项条件的情况下,挖掘匹配函数的匹配值为第二预定值。用户可以灵活设置挖掘匹配函数以满足不同识别匹配需求。
由于PDF文件包括一个或多个文本块,因此计算设备110可以依次分别计算一个或多个文本块与报告模板的挖掘特征块的匹配值。在随后,可以根据匹配值挖掘PDF文件中的文本块。
在步骤708,计算设备110可以将匹配值不为第二预定值的文本块挖掘为与所确定的报告模板对应的数据。
在一个实施例中,计算设备110可以将在步骤706中经过挖掘匹配函数计算且匹配值不为第二预定值(例如,0),即匹配值为第一预定值(例如,1)的文本块挖掘为与所确定的报告模板对应的数据。挖掘值为0代表文本块与报告模板的挖掘特征块完全不匹配。
挖掘包括将PDF文件中的数据按照挖掘特征块的名称提取和/或存储到相应数据库中。例如,可以将图6中的“600315.SH”挖掘为PDF报告的股票代码。同时将“600315.SH”存储到针对该PDF文件的股票代码应存储的位置或数据库中。以这样的方法,可以将PDF文件的标题、作者、撰写日期、股票名称、股票代码、摘要等特征分别提取和/或存储到相应数据库中,从而获得需要的PDF文件的原始文本信息数据。
在一个实施例中,如果所匹配的报告模板中的挖掘特征块与文本块的匹配值均为0,则可以认为该目标关联机构提出了新的报告模板。在这种情况下,可以将PDF文件转为其他处理。例如,新增或定义新的报告模板并且为新的报告模板定义识别特征块和挖掘特征块。
利用此技术方案,可以利用挖掘匹配函数挖掘出PDF文件与匹配的报告模板相对应的数据。这样的数据可以以相应的定义含义来提取和/或存储,从而不但高速准确地挖掘了PDF文件的数据还使数据保留了相应的实际含义。
图8示出了根据本公开的实施例的验证所挖掘的数据的合法性的方法800的流程图。
在步骤802中,计算设备110可以基于所确定的报告模板的挖掘特征块的数据结构,验证所挖掘的数据的合法性。
在一个实施例中,计算设备110可以基于所确定的报告模板的挖掘特征块的数据结构,定义挖掘特征块的合法数据结构。例如,股票代码可以被定义为“数字.英文字符”的结构形式。注意的是,由于数据表达不同,可以为挖掘特征块定义多个合法的数据结构。例如,股票代码可以被定义为“数字”、“数字|英文字符”、 “数字英文字符”等等。符合这样结构的数据都可以被确定为合法,并后续步骤中归一化。通过所定义的数据结构,计算设备110可以验证在上述方法中所挖掘的数据的合法性。
在步骤804中,计算设备110可以响应于所挖掘的数据的合法性为合法,对所述PDF文件中的所挖掘的数据执行归一化处理。
在一个实施例中,计算设备110可以响应于在上述方法中所挖掘的数据的合法性为合法,对所述PDF文件中的所挖掘的数据执行归一化处理。计算设备110可以将挖掘出的合法的一种或多种不同形式的数据归一为标准的数据格式。例如将以“数字”、“数字|英文字符”、 “数字英文字符”格式表示的股票代码归一化为“数字.英文字符”。
在步骤806中,计算设备110可以响应于所挖掘的数据的合法性为非法,基于匹配度数据确定其他报告模板并重新对所述PDF文件进行挖掘。
在一个实施例中,计算设备110可以响应于所挖掘的数据的合法性为非法,确定挖掘数据错误。例如,如果在挖掘股票代码时挖掘到的数据为中文字符,则确定该报告模板错误。计算设备110可以在上述方法中所计算的匹配度数据确定其他报告模板并重新对所述PDF文件进行挖掘。
利用此技术方案,可以将以多种不同类型数据结构表示的数据归一化为标准的数据。同时还可以以这一方法确定挖掘是否正确。
图9示出了根据本公开的实施例的对所述PDF文件中的所挖掘的数据执行归一化处理的方法900的流程图。方法900对应于方法800的步骤804。
在步骤902,计算设备110可以定义报告模板的挖掘特征块的标准表达式。
在一个实施例中,如上所述,计算设备110可以定义报告模板的挖掘特征块的标准表达式。由于同一个数据,在不同的报告里,使用的名称不同。例如,融资性现金流、融资活动现金流、筹资活动现金流、融资活动之现金流量、融资活动现金流净额等等都可能表示同一个数据。因此可以定义标准表达式“融资性现金流”。
在步骤904,计算设备110可以基于所述标准表达式定义对应的多个非标准表达式。
在一个实施例中,计算设备110可以基于所述标准表达式定义对应的多个非标准表达式。例如,可以为“融资性现金流”定义“融资活动现金流、筹资活动现金流、融资活动之现金流量、融资活动现金流净额”等多个非标准表达式。这一步骤相当于为标准表达式制作一套不同写法的对照关系表。
在步骤906,计算设备110可以将所挖掘的数据中的非标准表达式统一转换为标准表达式。
在一个实施例中,计算设备110可以将所挖掘的数据中的所定义的所有非标准表达式统一转换为标准表达式。例如,可以将所挖掘的“融资活动现金流、筹资活动现金流、融资活动之现金流量、融资活动现金流净额”均统一转换为“融资性现金流”。即将对照关系表中的多个非标准表达式归一化为标准表达式。
根据同样的原理,还可以将数值数据转换为正确的浮点数或者将多个表达不同的单位转换为统一的单位等等。
利用此技术方案,可以将经挖掘所得的表达为不同表达式的数据归一化为统一表达式的标准数据。
图10示出了根据本公开的实施例的对所述PDF文件中的所挖掘的数据执行归一化处理的方法1000的流程图。方法1000对应于方法800的步骤804。
在步骤1002,计算设备110可以基于所挖掘的数据,确定与所挖掘的数据中的股票数据相关联的最接近实际年。
在一个实施例中,计算设备110可以基于所挖掘的数据,确定与所挖掘的数据中的股票数据相关联的最接近实际年。例如,如果所挖掘数据包括2020年、2021年、2022年和2023年等年份数据,并假设当前年是2021年,则2022年开始的是预测数据,从而可将“2021年”定义为最接近实际年。
在步骤1004,计算设备110可以查询所述股票数据在最接近实际年的真实数据。
在一个实施例中,计算设备110可以通过数据库或其他方式查询所挖掘的数据中的股票数据在最接近实际年的真实数据。例如,可以查询股票数据在2021年的“融资性现金流”并且将所查询的数据定义为真实数据。
在步骤1006,计算设备110可以将所述股票数据和所述真实数据进行比较,从而获取所述股票数据的单位。
在一个实施例中,计算设备110可以在上述方法中所挖掘的数据中的股票数据和在步骤1004中定义的真实数据进行比较,确定数据是否正确。
如果所挖掘的股票数据和真实数据表达差距过大,即通过一定运算相差一定阈值,则可以认为挖掘错误,需要重新确定匹配模板或者重新挖掘。
如果所挖掘的数据和真实数据之间表达类似,即通过一定运算相差不超过阈值,则根据两个数据之间的换算,计算出该股票数据在PDF表格中的单位。
例如,如果查询的真实数据为“1000000”,而所挖掘数据为“100”,则可以计算出该数据在PDF表格中单位为“(万)”。例如,如果查询的真实数据为“5000000”,而所挖掘数据为“200”,则可以认为挖掘错误,需要进一步的其他处理。
利用此技术方案,可以将经挖掘所得的不同表达的数据归一化为标准表达的数据。
图11示出了根据本公开的实施例的用于针对所获取的文本块进行去重的方法1100的流程图。
在步骤1102,计算设备110计算所获取的文本块的文本字符数,即计算在如上所述方法中获取的文本块内的文本字符数,或文本字符串数量。例如,可以确定“资产负债表”文本块中的字符数为5。
在步骤1104,计算设备110确定所计算的文本字符数是否大于或者等于预定字符数阈值。用户可以为去重算法设定一个字符数阈值,例如(10个字符)。字符数阈值是用于判断文本字符属于长字符还是短字符,针对不同类型字符适用不同的去重算法。
在步骤1106,计算设备110响应于确定所计算的文本字符数大于或者等于预定字符数阈值,基于第一算法计算所获取的文本块的相似度。如果文本字符数大于或者等于预定字符数阈值,则认定其为长字符,适用第一算法计算文本块的相似度。针对长字符的第一算法可以是在适用于长字符串时效果优秀的任何去重算法,例如simhash去重算法、hashmap去重算法等。
在步骤1108,计算设备110响应于确定所计算的文本字符数小于等于预定字符数阈值,基于第二算法计算所获取的文本块的相似度。如果文本字符数小于预定字符数阈值,则认定其为短字符,适用第二算法计算文本块的相似度。针对长字符的第二算法可以是在适用于短字符串时效果优秀的任何去重算法,例如minihash去重算法、set去重算法等。
在步骤1110,计算设备110基于相似度计算结果,针对所获取的文本块进行去重。通过步骤1106和1108中确定的相应算法,对计算文本块之间的相似度,从而可以将相似度过高的文本块认定为重复文本块,对其执行移除或者合并,从而完成去重。
利用此技术方案,可以判断表格中是否存在重复数据或者重复指标。如果存在的活,可以根据去重算法将重复的单元格合并或者消除,从而提升表格处理效率。
图12示出了可以用来实施本公开内容的实施例的示例电子设备1200的示意性框图。例如,如图1所示的计算设备110可以由电子设备1200来实施。如图所示,电子设备1200包括中央处理单元(CPU)1201,其可以根据存储在只读存储器(ROM)1202中的计算机程序指令或者从存储单元1208加载到随机存取存储器(RAM)1203中的计算机程序指令,来执行各种适当的动作和处理。在随机存取存储器1203中,还可存储电子设备1200操作所需的各种程序和数据。中央处理单元1201、只读存储器1202以及随机存取存储器1203通过总线1204彼此相连。输入/输出(I/O)接口1205也连接至总线1204。
电子设备1200中的多个部件连接至输入/输出接口1205,包括:输入单元1206,例如键盘、鼠标、麦克风等;输出单元1207,例如各种类型的显示器、扬声器等;存储单元1208,例如磁盘、光盘等;以及通信单元1209,例如网卡、调制解调器、无线通信收发机等。通信单元1209允许设备1200通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
上文所描述的各个过程和处理,例如方法200、300、400、500、700、800、900和1100,可由中央处理单元1201执行。例如,在一些实施例中,方法200、300、400、500、700、800、900和1100可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元1208。在一些实施例中,计算机程序的部分或者全部可以经由只读存储器1202和/或通信单元1209而被载入和/或安装到设备1200上。当计算机程序被加载到随机存取存储器1203并由中央处理单元1201执行时,可以执行上文描述的方法200、300、400、500、700、800、900和1100的一个或多个动作。
本公开涉及方法、装置、***、电子设备、计算机可读存储介质和/或计算机程序产品。计算机程序产品可以包括用于执行本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身,诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如,通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备,或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘计算设备。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令,并转发该计算机可读程序指令,以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码,所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等,以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中,通过利用计算机可读程序指令的状态信息来个性化定制电子电路,例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA),该电子电路可以执行计算机可读程序指令,从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、装置(***)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解,流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合,都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理单元,从而生产出一种机器,使得这些指令在通过计算机或其它可编程数据处理装置的处理单元执行时,产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中,这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作,从而,存储有指令的计算机可读介质则包括一个制造品,其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上,使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤,以产生计算机实现的过程,从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分,所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
本领域普通技术人员应当了解,本发明不限定于上述的实施例,本发明可以在不偏离其主旨与范围内以许多其它的形式实施。因此,所展示的示例与实施例被视为示意性的而非限制性的,在不脱离如所附各权利要求所定义的本发明精神及范围的情况下,本发明可能涵盖各种的修改与替换。
Claims (11)
1.一种用于挖掘PDF文件的方法,包括:
解析所述PDF文件的文本块,以便获取所述PDF文件的文本块的坐标信息;
基于所解析的所述PDF文件的文本块,利用机构确定算法确定与所述PDF文件相关联的目标关联机构;
利用匹配算法将所述目标关联机构的一个或多个报告模板与所述文本块的坐标信息进行匹配,从而确定一个或多个报告模板与所述PDF文件的匹配度数据;
基于所获取的匹配度数据,确定与所述PDF文件对应的目标关联机构的报告模板;以及
基于所确定的报告模板,挖掘所述PDF文件中与所确定的报告模板对应的数据,其中利用机构确定算法确定与所述PDF文件相关联的目标关联机构包括:构建关于与PDF文件相关联的多个机构的机构关键特征数组,机构关键特征数组包括:与机构相关联的关键特征的数量、关键特征和关键特征所对应的权重;基于机构关键特征数组,针对基于PDF文件所解析的文本块进行检索,以便确定与机构相关联的关键特征出现的次数;以及基于所确定的与机构相关联的关键特征出现的次数,计算目标关联机构的权重序列,以用于确定PDF文件的目标关联机构。
2.根据权利要求1所述的方法,其中确定PDF文件的目标关联机构还包括:
确定与权重序列中的最大值所对应的机构;
确定与最大值所对应的机构的数量是否为1;
响应于确定与最大值所对应的机构的数量为1,确定与最大值所对应的机构为PDF文件的目标关联机构;以及
响应于确定与最大值所对应的机构的数量大于1,确定未识别目标关联机构。
3.根据权利要求1所述的方法,其中利用匹配算法将所述目标关联机构的一个或多个报告模板与所述文本块的坐标信息进行匹配包括:
针对所述一个或多个报告模板中的每个报告模板,分别定义识别特征块;
获取所述识别特征块的坐标信息;
针对所述一个或多个报告模板中的每个报告模板,基于文本块的坐标信息以及所述报告模板的识别特征块的坐标信息,根据匹配函数计算所述报告模板与文本块的匹配值;以及
对所计算的所有匹配值进行运算,从而确定一个或多个报告模板与所述PDF文件的匹配度数据。
4.根据权利要求3所述的方法,其中根据匹配函数计算所述报告模板与文本块的匹配值包括:
在确定满足以下各项条件中的至少一项条件的情况下,所述匹配函数的匹配值为第一预定值:
文本块的左上坐标的横坐标值落入在识别特征块的左上坐标和右下坐标的横坐标值区间并且文本块的左上坐标的纵坐标值落入在识别特征块的左上坐标和右下坐标的纵坐标值区间,
文本块的右下坐标的横坐标值落入在识别特征块的左上坐标和右下坐标的横坐标值区间并且文本块的右下坐标的纵坐标值落入在识别特征块的左上坐标和右下坐标的纵坐标值区间,
识别特征块的左上坐标的横坐标值落入在文本块的左上坐标和右下坐标的横坐标值区间并且识别特征块的左上坐标的纵坐标值落入在文本块的左上坐标和右下坐标的纵坐标值区间,
识别特征块的右下坐标的横坐标值落入在文本块的左上坐标和右下坐标的横坐标值区间并且识别特征块的右下坐标的纵坐标值落入在识别特征块的左上坐标和右下坐标的纵坐标值区间;以及
在确定不满足以上各项条件中的任意一项条件的情况下,所述匹配函数的匹配值为第二预定值。
5.根据权利要求1或4所述的方法,其中挖掘所述PDF文件中与所确定的报告模板对应的数据包括:
针对所述一个或多个报告模板中的每个报告模板,分别定义挖掘特征块;
确定所述挖掘特征块的坐标信息;
基于文本块的坐标信息以及所确定的报告模板的挖掘特征块的坐标信息,根据挖掘匹配函数计算所确定的报告模板与文本块的匹配值;以及
将匹配值不为第二预定值的文本块挖掘为与所确定的报告模板对应的数据。
6.根据权利要求5所述的方法,还包括:
基于所确定的报告模板的挖掘特征块的数据结构,验证所挖掘的数据的合法性;
响应于所挖掘的数据的合法性为合法,对所述PDF文件中的所挖掘的数据执行归一化处理;以及
响应于所挖掘的数据的合法性为非法,基于匹配度数据确定其他报告模板并重新对所述PDF文件进行挖掘。
7.根据权利要求6所述的方法,其中对所述PDF文件中的所挖掘的数据执行归一化处理包括:
定义报告模板的挖掘特征块的标准表达式;
基于所述标准表达式定义对应的多个非标准表达式;以及
将所挖掘的数据中的非标准表达式统一转换为标准表达式。
8.根据权利要求7所述的方法,其中对所述PDF文件中的所挖掘的数据执行归一化处理还包括:
基于所挖掘的数据,确定与所挖掘的数据中的股票数据相关联的最接近实际年;
查询所述股票数据在最接近实际年的真实数据;以及
将所述股票数据和所述真实数据进行比较,从而获取所述股票数据的单位。
9.根据权利要求1所述的方法,还包括:
计算所获取的文本块的文本字符数;
确定所计算的文本字符数是否大于或者等于预定字符数阈值;
响应于确定所计算的文本字符数大于或者等于预定字符数阈值,基于第一算法计算所获取的文本块的相似度;
响应于确定所计算的文本字符数小于等于预定字符数阈值,基于第二算法计算所获取的文本块的相似度;以及
基于相似度计算结果,针对所获取的文本块进行去重。
10.一种计算设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-9中任一项所述的方法。
11.一种存储有计算机指令的非瞬时计算机可读存储介质,其中所述计算机指令用于使所述计算机执行权利要求1-9中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210089715.3A CN114116616B (zh) | 2022-01-26 | 2022-01-26 | 用于挖掘pdf文件的方法、设备和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210089715.3A CN114116616B (zh) | 2022-01-26 | 2022-01-26 | 用于挖掘pdf文件的方法、设备和介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114116616A CN114116616A (zh) | 2022-03-01 |
CN114116616B true CN114116616B (zh) | 2022-05-17 |
Family
ID=80361462
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210089715.3A Active CN114116616B (zh) | 2022-01-26 | 2022-01-26 | 用于挖掘pdf文件的方法、设备和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114116616B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114201620A (zh) * | 2021-12-17 | 2022-03-18 | 上海朝阳永续信息技术股份有限公司 | 用于挖掘pdf文件中的pdf表格的方法、设备和介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107357779A (zh) * | 2017-06-27 | 2017-11-17 | 北京神州泰岳软件股份有限公司 | 一种获取机构名称的方法及装置 |
CN111797729A (zh) * | 2020-06-19 | 2020-10-20 | 翰博瑞强(上海)医药科技有限公司 | 一种化验报告单自动识别方法 |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7958443B2 (en) * | 2003-02-28 | 2011-06-07 | Dictaphone Corporation | System and method for structuring speech recognized text into a pre-selected document format |
US7596546B2 (en) * | 2004-06-14 | 2009-09-29 | Matchett Douglas K | Method and apparatus for organizing, visualizing and using measured or modeled system statistics |
US8379912B2 (en) * | 2010-06-18 | 2013-02-19 | Google Inc. | Identifying establishments in images |
US9619573B2 (en) * | 2013-03-15 | 2017-04-11 | Prostar Geocorp, Inc. | System and method for calculating tolerance zones for utility assets |
US20170193608A1 (en) * | 2015-11-29 | 2017-07-06 | Vatbox, Ltd. | System and method for automatically generating reporting data based on electronic documents |
CN108280173B (zh) * | 2018-01-22 | 2021-05-11 | 深圳市和讯华谷信息技术有限公司 | 一种非结构化文本的关键信息挖掘方法、介质及设备 |
CN108962347A (zh) * | 2018-06-23 | 2018-12-07 | 北京众信易保科技有限公司 | 基于java的位置算法进行体检报告的解析*** |
US11244203B2 (en) * | 2020-02-07 | 2022-02-08 | International Business Machines Corporation | Automated generation of structured training data from unstructured documents |
CN112800848A (zh) * | 2020-12-31 | 2021-05-14 | 中电金信软件有限公司 | 票据识别后信息结构化提取方法、装置和设备 |
CN112509661B (zh) * | 2021-02-03 | 2021-05-25 | 南京吉拉福网络科技有限公司 | 用于识别体检报告的方法、计算设备和介质 |
-
2022
- 2022-01-26 CN CN202210089715.3A patent/CN114116616B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107357779A (zh) * | 2017-06-27 | 2017-11-17 | 北京神州泰岳软件股份有限公司 | 一种获取机构名称的方法及装置 |
CN111797729A (zh) * | 2020-06-19 | 2020-10-20 | 翰博瑞强(上海)医药科技有限公司 | 一种化验报告单自动识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114116616A (zh) | 2022-03-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110909226B (zh) | 金融类文档信息处理方法、装置、电子设备及存储介质 | |
US8140468B2 (en) | Systems and methods to extract data automatically from a composite electronic document | |
CN110765763A (zh) | 语音识别文本的纠错方法、装置、计算机设备和存储介质 | |
US20120102002A1 (en) | Automatic data validation and correction | |
CN109685056A (zh) | 获取文档信息的方法及装置 | |
JP2020126493A (ja) | 対訳処理方法および対訳処理プログラム | |
US11880435B2 (en) | Determination of intermediate representations of discovered document structures | |
CN110580308A (zh) | 信息审核方法及装置、电子设备、存储介质 | |
EP4124988A1 (en) | System and method for automatically tagging documents | |
CN112084448B (zh) | 相似信息处理方法以及装置 | |
CN114022888B (zh) | 用于识别pdf表格的方法、设备和介质 | |
CN114116616B (zh) | 用于挖掘pdf文件的方法、设备和介质 | |
CN114493255A (zh) | 基于知识图谱的企业异常监控方法及其相关设备 | |
Ha et al. | Information extraction from scanned invoice images using text analysis and layout features | |
CN114201620A (zh) | 用于挖掘pdf文件中的pdf表格的方法、设备和介质 | |
CN114692628A (zh) | 样本生成方法、模型训练方法、文本抽取方法和装置 | |
CN115687621A (zh) | 一种短文本标签标注方法及装置 | |
CN115544213B (zh) | 获取文本中的信息的方法、设备和存储介质 | |
CN110188340B (zh) | 一种研报文本实体名词自动识别方法 | |
CN116522872A (zh) | 一种基于相似度计算的元数据字段中文名补全方法、存储介质及*** | |
CN115294593A (zh) | 一种图像信息抽取方法、装置、计算机设备及存储介质 | |
CN113255369B (zh) | 文本相似度分析的方法、装置及存储介质 | |
JP6155409B1 (ja) | 決算分析システムおよび決算分析プログラム | |
CN115238078A (zh) | 一种网页信息抽取方法、装置、设备及存储介质 | |
CN113168527A (zh) | 用于从实体文档提取信息的***和方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CP02 | Change in the address of a patent holder |
Address after: 201203 Room 501, building 4, No. 690, Bibo Road, China (Shanghai) pilot Free Trade Zone, Pudong New Area, Shanghai Patentee after: SHANGHAI SUNTIME INFORMATION TECHNOLOGY CO.,LTD. Address before: 201203 building 4, No. 690, Bibo Road, Zhangjiang Gaoke, Pudong New Area, Shanghai Patentee before: SHANGHAI SUNTIME INFORMATION TECHNOLOGY CO.,LTD. |
|
CP02 | Change in the address of a patent holder |