CN115934928A - 一种信息抽取方法、装置、设备及存储介质 - Google Patents

Abstract

本发明实施例提供了一种信息抽取方法、装置、设备及存储介质，其中，该方法，包括：将基金海报转换成可编辑型文件；对所述基金海报进行版面识别，得到版面分块的坐标；针对每个版面分块，从坐标位于每个版面分块的可编辑型文件的文本中抽取每个目标字段；对所述目标字段进行筛选，得到抽取结果；对所述抽取结果进行组合，得到结构化数据，并将所述结构化数据进行呈现。本发明实施例提供的技术方案，可以提高工作效率，可以节约人工阅读时间。

Description

一种信息抽取方法、装置、设备及存储介质

技术领域

本发明实施例涉及计算机技术领域，尤其涉及一种信息抽取方法、装置、设备及存储介质。

背景技术

随着近年来我国经济的迅速发展，居民可支配的金融资产增加，公募基金行业得到蓬勃发展。基金宣传推介材料作为推广基金产品的必要形式，无论是相关人员还是基金销售机构，都会出于提高宣传效果的需求制作出各种各样的宣推材料。为了保护消费者的合法权益，促进市场健康发展，要求宣推材料做到内容客观、数据真实。

基金宣推材料通常以“基金海报”的形式出现，格式、内容无固定的版式。目前急需一些计算机技术手段辅助人工处理，提高工作效率、降低人工成本，其中，信息抽取便是其中重要的步骤，但相关技术中的方法难以处理。

发明内容

本发明实施例提供了一种信息抽取方法、装置、设备及存储介质，可以提高工作效率，节省人工阅读时间。

第一方面，本发明实施例提供了一种信息抽取方法，包括：

将基金海报转换成可编辑型文件；

对所述基金海报进行版面识别，得到版面分块的坐标；

针对每个版面分块，从坐标位于每个版面分块的可编辑型文件的文本中抽取每个目标字段；

对所述目标字段进行筛选，得到抽取结果；

对所述抽取结果进行组合，得到结构化数据，并将所述结构化数据进行呈现。

第二方面，本发明实施例提供了一种信息抽取装置，包括：

转换模块，用于将基金海报转换成可编辑型文件；

识别模块，用于对所述基金海报进行版面识别，得到版面块的坐标；

抽取模块，用于针对每个版面块，从坐标位于每个版面块的可编辑型文件的文本中抽取每个目标字段；

过滤模块，用于对所述目标字段进行筛选，得到抽取结果；

组合与呈现模块，用于对所述抽取结果进行组合，得到结构化数据，并将所述结构化数据进行呈现。

第三方面，本发明实施例提供了一种电子设备，所述电子设备包括：

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；其中，

所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序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本发明实施例提供的方法。

第四方面，本发明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指令，所述计算机指令用于使处理器执行时实现本发明实施例提供的方法。

本发明实施例提供的技术方案，通过将基金海报转换成可编辑型文件；对基金海报进行版面识别，得到版面分块的坐标；针对每个版面分块，从坐标位于每个版面分块的可编辑型文件的文本中抽取每个目标字段；对目标字段进行筛选，得到抽取结果；对抽取结果进行组合得到结构化数据，并将所述结构化数据进行呈现，可以提高工作效率，可以节约人工阅读时间。

应当理解，本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征，也不用于限制本发明的范围。本发明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

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例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发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明实施例提供的一种信息抽取方法的流程图；

图2a是本发明实施例提供的一种信息抽取方法的流程图；

图2b是本发明实施例提供的一种信息抽取方法的流程图；

图3是本发明实施例提供的一种信息抽取装置结构框图；

图4是本发明实施例提供的一种电子设备结构示意图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。

需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

图1是本发明实施例提供的一种信息抽取方法的流程图，本实施例可适用于对基金的海报材料进行信息抽取情况，该方法可以由信息抽取装置来执行，该装置可以采用硬件和/或软件的形式实现，该装置可配置于电子设备中。如图1所示，该方法包括：

S110：将基金海报转换成可编辑型文件。

在本发明实施例中，在S110之前，还可以包括将需要识别的关键信息划分成若干目标字段，并对所述目标字段进行配置。分析需要识别的关键信息，划分为若干个目标字段，并对目标字段进行设置。在设置完成之后，可以将上传基金海报，从而对基金海报进行处理。

在本发明实施例的一个实施方式中，可选的，所述将基金海报转换成可编辑型文件，包括：将各种格式的基金海报转换成单层PDF文件；通过光学字符识别将所述单层PDF文件转换成双层PDF文件，并记录每个字符的坐标。其中，先将基金海报的内容进行归一化，具体的，将各种格式的基金海报，例如，图片、文档和扫描件等转换成单层PDF文件，并进行保存。然后，通过光学字符识别(Optical Character Recognition，OCR)识别单层PDF文件中的文字并添加到PDF文件中，形成双层PDF文件，并记录每个字符的坐标。

S120：对所述基金海报进行版面识别，得到版面分块的坐标。

在本发明实施例中，基金海报一般是分栏的，但是在OCR识别时，并不能识别分栏的界限，容易导致基金海报的阅读顺序发生错误(例如，有可能将不是一个段落的两个句子连在一起)，导致后续的目标字段无法正确抽取，故需要进行版面识别，得到各个版面分块，从而在各个板块分块中进行目标字段的抽取。

在本发明实施例的一个实施方式中，可选的，所述对基金海报进行版面识别，得到版面分块的坐标，包括：将所述基金海报进行二值化处理；将二值化处理的基金海报进行线条扫描，得到版面分块的坐标。可选的，所述将所述基金海报进行二值化处理，包括：将所述基金海报的彩色图片转换成基金海报的黑白色图片；相应的，所述将二值化处理的基金海报进行线条扫描，得到版面分块的坐标，包括：采用OpenCV将所述黑白色图片进行线条扫描，得到版面分块的坐标。其中，可以OpenCV线条扫描，将图片分割成包含信息的信息小岛，实现板块分块，得到版面分块的坐标。

由此，通过对基金海报进行版面识别，得到各个版面分块的坐标，便于后续正确抽取目标字段，从而正确进行信息抽取。

S130：针对每个版面分块，从坐标位于每个版面块的可编辑型文件的文本中抽取每个目标字段。

在本发明实施例中，由于记录了可编辑型文件中每个字符的坐标，也得到每个版面分块的坐标，可以得到坐标位于每个版面分块的可编辑型文件的文本，从该文本中抽取每个目标字段。

S140：对所述目标字段进行筛选，得到抽取结果。

在本发明实施例中，抽取的每个目标字段有些并不符合要求，需要对目标字段进行筛选，从而对目标字段进行反复抽取，得到抽取结果。

在本发明实施例的一个实施方式中，可选的，通过查询资料库判断所述目标字段是否符合要求；将不符合要求的目标字段进行过滤，得到抽取结果。具体的，将每个目标字段与资料库进行匹配，判断每个目标字段是否是需要抽取的满足要求的字段，若不符合要求，则将目标字段进行过滤，将满足要求的目标字段进行保留，得到抽取结果。例如，要抽取基金名称，设置时，设置抽取XX基金的目标字段。在抽取的时候，将所有XX基金的字段全部得到，某个“本质基金”字段有可能不是基金名称，需要查询资料库判断该“本质基金”字段是否是基金名称，经查询，该本质基金字段并不是基金名称，则将该字段进行过滤，将符合基金名称的目标字段进行保留，得到抽取结果。

S150：对所述抽取结果进行组合得到结构化数据，并将所述结构化数据进行呈现。

在本发明实施例中的一个实施方式中，可选的，对所述抽取结果进行组合得到结构化数据，包括：基于版面分块的位置关系对所述抽取结果进行组合，得到结构化数据。具体的，在抽取结果中，将同一版面分块的具有指定关系的字段进行组合，并基于所属关系形成结构化数据。例如，在同一版面分块中，找到基金业绩x与2021年是一组，基金业绩y与2022年是另一组，该两组分别属于基金业绩，该基金业绩所属基金A。故基金A，基金业绩，在基金业绩下的两个分组可以形成结构化数据。

本发明实施例提供的技术方案，通过将基金海报转换成可编辑型文件；对基金海报进行版面识别，得到版面分块的坐标；针对每个版面分块，从坐标位于每个版面分块的可编辑型文件的文本中抽取每个目标字段；对目标字段进行筛选，得到抽取结果；对抽取结果进行组合得到结构化数据，并将所述结构化数据进行呈现，可以提高抽取效率，可以节约人工阅读的时间。

图2a是本发明实施例提供的一种信息抽取方法流程图，在本实施例中，可选的，所述对所述基金海报进行版面识别，得到版面分块的坐标，包括：

将所述基金海报进行二值化处理；

将二值化处理的基金海报进行线条扫描，得到版面分块的坐标。

可选的，所述将基金海报转换成可编辑型文件，包括：

将各种格式的基金海报转换成单层PDF文件；

通过光学字符识别将所述单层PDF文件转换成双层PDF文件，并记录每个字符的坐标。

所述对所述目标字段进行筛选，得到抽取结果，包括：

通过查询资料库判断所述目标字段是否符合要求；

将不符合要求的目标字段进行过滤，得到抽取结果。

如图2a所示，本发明实施例提供的技术方案包括：

S210：将各种格式的基金海报转换成单层PDF文件。

S220：通过光学字符识别将所述单层PDF文件转换成双层PDF文件，并记录每个字符的坐标。

S230：将所述基金海报进行二值化处理。

S240：将二值化处理的基金海报进行线条扫描，得到版面分块的坐标。

S250：针对每个版面分块，从坐标位于每个版面分块的可编辑型文件的文本中抽取每个目标字段。

S260：通过查询资料库判断所述目标字段是否符合要求。

S270：将不符合要求的目标字段进行过滤，得到抽取结果。

S280：对所述抽取结果进行组合，得到结构化数据，并将所述结构化数据进行呈现。

其中，S210-S280可以参考上述实施例的介绍。

其中，本发明实施例提供的技术方案还可以参考图2b，如图2b所示，该方法包括：

字段设置：分析需要识别的关键信息，划分为若干个目标字段。

数据归一化：各种格式的图片、文档、扫描件的基金海报都转换为PDF，并保存到本地。

OCR处理：识别图片类型中的文字并添加到PDF文件，记录其坐标。

二值化处理：将彩色的基金海报图片转为黑白两色。

版面识别：使用OpenCV线条扫描，得到版面分块的坐标。

模糊抽取：对每个版面分块，对坐标位于版面分块内的文本抽取出每个目标字段。

反查抽取：对已抽取到的信息，查询资料数据库进行匹配，精确化抽取结果。

关系抽取：对已抽取到的信息，根据版面分块的位置关系进行组合。

呈现结果：按照组合后的结构呈现抽取结果。

本发明实施例提供的技术方案，通过自动识别基金海报的版面和基金海报中的文字，在此基础上抽取出一些特定的关键信息，并根据相关关系组合这些信息，得到基金海报关键信息的结构化数据，按照信息的结构呈现给用户，可以支持不限制文件格式的基金海报的识别，识别效率高，在较短的时间内便可读取出基金海报中的关键信息，节约了人工阅读时间，准确率高，提升了处理的效率，拓展性好，只需调整字段设置即可应对不同的抽取规则。

图3为本发明实施例提供的一种信息抽取装置结构框图，如图3所示，所述装置，包括：转换模块310、识别模块320、抽取模块330、

转换模块310，用于将基金海报转换成可编辑型文件；

识别模块320，用于对所述基金海报进行版面识别，得到版面块的坐标；

抽取模块330，用于针对每个版面块，从坐标位于每个版面块的可编辑型文件的文本中抽取每个目标字段；

筛选模块340，用于对所述目标字段进行筛选，得到抽取结果；

组合与呈现模块350，用于对所述抽取结果进行组合，得到结构化数据，并将所述结构化数据进行呈现。

可选的，所述对所述基金海报进行版面识别，得到版面分块的坐标，包括：

将所述基金海报进行二值化处理；

将二值化处理的基金海报进行线条扫描，得到版面分块的坐标。

可选的，所述将所述基金海报进行二值化处理，包括：

将所述基金海报的彩色图片转换成基金海报的黑白色图片；

相应的，所述将二值化处理的基金海报进行线条扫描，得到版面分块的坐标，包括：

采用OpenCV将所述黑白色图片进行线条扫描，得到版面分块的坐标。

可选的，所述将基金海报转换成可编辑型文件，包括：

将各种格式的基金海报转换成单层PDF文件；

通过光学字符识别将所述单层PDF文件转换成双层PDF文件，并记录每个字符的坐标。

可选的，所述对所述目标字段进行筛选，得到抽取结果，包括：

通过查询资料库判断所述目标字段是否符合要求；

将不符合要求的目标字段进行过滤，得到抽取结果。

可选的，所述对所述抽取结果进行组合，得到结构化数据，包括：

基于版面分块的位置关系对所述抽取结果进行组合，得到结构化数据。

可选的，所述装置还包括设置模块，用于：

将需要识别的关键信息划分成若干目标字段，并对所述目标字段进行配置。

本发明实施例所提供的装置可执行本发明任意实施例所提供的方法，具备执行方法相应的功能模块和有益效果。

图4示出了可以用来实施本发明的实施例的电子设备10的结构示意图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本发明的实现。

如图4所示，电子设备10包括至少一个处理器11，以及与至少一个处理器11通信连接的存储器，如只读存储器(ROM)12、随机访问存储器(RAM)13等，其中，存储器存储有可被至少一个处理器执行的计算机程序，处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序，来执行各种适当的动作和处理。在RAM 13中，还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。

电子设备10中的多个部件连接至I/O接口15，包括：输入单元16，例如键盘、鼠标等；输出单元17，例如各种类型的显示器、扬声器等；存储单元18，例如磁盘、光盘等；以及通信单元19，例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10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。

处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理，例如信息抽取方法。

在一些实施例中，信息抽取方法可被实现为计算机程序，其被有形地包含于计算机可读存储介质，例如存储单元18。在一些实施例中，计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时，可以执行上文描述的信息抽取方法的一个或多个步骤。备选地，在其他实施例中，处理器11可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行信息抽取方法。

本文中以上描述的***和技术的各种实施方式可以在数字电子电路***、集成电路***、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上***的***(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程***上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储***、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储***、该至少一个输入装置、和该至少一个输出装置。

用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

在本发明的上下文中，计算机可读存储介质可以是有形的介质，其可以包含或存储以供指令执行***、装置或设备使用或与指令执行***、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体***、装置或设备，或者上述内容的任何合适组合。备选地，计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

为了提供与用户的交互，可以在电子设备上实施此处描述的***和技术，该电子设备具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的***和技术实施在包括后台部件的计算***(例如，作为数据服务器)、或者包括中间件部件的计算***(例如，应用服务器)、或者包括前端部件的计算***(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的***和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算***中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将***的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)、区块链网络和互联网。

计算***可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务中，存在的管理难度大，业务扩展性弱的缺陷。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本发明的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。

Claims (10)

1.一种信息抽取方法，其特征在于，包括：

将基金海报转换成可编辑型文件；

对所述基金海报进行版面识别，得到版面分块的坐标；

针对每个版面分块，从坐标位于每个版面分块的可编辑型文件的文本中抽取每个目标字段；

对所述目标字段进行筛选，得到抽取结果；

对所述抽取结果进行组合，得到结构化数据，并将所述结构化数据进行呈现。

2.根据权利要求1所述的方法，其特征在于，所述对所述基金海报进行版面识别，得到版面分块的坐标，包括：

将所述基金海报进行二值化处理；

将二值化处理的基金海报进行线条扫描，得到版面分块的坐标。

3.根据权利要求2所述的方法，其特征在于，所述将所述基金海报进行二值化处理，包括：

将所述基金海报的彩色图片转换成基金海报的黑白色图片；

相应的，所述将二值化处理的基金海报进行线条扫描，得到版面分块的坐标，包括：

采用OpenCV将所述黑白色图片进行线条扫描，得到版面分块的坐标。

4.根据权利要求1所述的方法，其特征在于，

所述将基金海报转换成可编辑型文件，包括：

将各种格式的基金海报转换成单层PDF文件；

通过光学字符识别将所述单层PDF文件转换成双层PDF文件，并记录每个字符的坐标。

5.根据权利要求1所述的方法，其特征在于，所述对所述目标字段进行筛选，得到抽取结果，包括：

通过查询资料库判断所述目标字段是否符合要求；

将不符合要求的目标字段进行过滤，得到抽取结果。

6.根据权利要求1所述的方法，其特征在于，所述对所述抽取结果进行组合，得到结构化数据，包括：

基于版面分块的位置关系对所述抽取结果进行组合，得到结构化数据。

7.根据权利要求1所述的方法，其特征在于，还包括：

将需要识别的关键信息划分成若干目标字段，并对所述目标字段进行配置。

8.一种信息抽取装置，其特征在于，包括：

转换模块，用于将基金海报转换成可编辑型文件；

识别模块，用于对所述基金海报进行版面识别，得到版面块的坐标；

抽取模块，用于针对每个版面块，从坐标位于每个版面块的可编辑型文件的文本中抽取每个目标字段；

筛选模块，用于对所述目标字段进行筛选，得到抽取结果；

组合与呈现模块，用于对所述抽取结果进行组合，得到结构化数据，并将所述结构化数据进行呈现。

9.一种电子设备，其特征在于，所述电子设备包括：

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；其中，

所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序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1-7中任一项所述的方法。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现权利要求1-7中任一项所述的方法。

Images