[發明專利]一種版式文件中結構化信息獲取的方法及裝置

有效

• 申請號: 201110409463.X
• 申請日: 2011-12-09
• 公開（公告）號: CN103164388A
• 公開（公告）日: 2013-06-19
• 發明（設計）人: 董寧;黃文娟;張保亮
• 申請（專利權）人: 北大方正集團有限公司;北京方正阿帕比技術有限公司
• 主分類號: G06F17/21
• 分類號: G06F17/21;G06F17/27
• 代理公司: 北京同達信恒知識產權代理有限公司 11291
• 代理人: 黃志華

1.一種版式文件中結構化信息獲取的方法，其特征在于，包括：

確定當前目錄項對應的起始頁碼信息；

將所述起始頁碼信息對應頁的第一文章內容，按照內容屬性信息分割成至少一個塊結構字符；

在每個塊結構字符中查找與所述當前目錄項的名稱字符匹配的第一塊結構字符，并獲取所述第一塊結構字符在所述第一文章內容中第一位置信息；

根據所述第一位置信息獲取所述當前目錄項的起始位置信息，以及上一目錄項的結束位置信息。

2.如權利要求1所述的方法，其特征在于，所述按照內容屬性信息分割成至少一個塊結構字符包括：

根據目錄文字和正文文字的字體大小及格式的不同，以及目錄和正文間的第一行距與正文間的第二行距的不同，將所述第一文章內容分割成至少一個塊結構字符，其中，所述塊結構字符包括：段結構字符或行結構字符。

3.如權利要求1所述的方法，其特征在于，所述在每個塊結構字符中查找與所述當前目錄項的名稱字符匹配的第一塊結構字符包括：

在每個塊結構字符中查找是否有與所述當前目錄項的名稱字符中每個字符都匹配的塊結構字符，如有，則將查找到的塊結構字符確定為第一塊結構字符；否則，

利用正則表達式，在每個塊結構字符中查找是否有與所述當前目錄項的名稱字符匹配的塊結構字符，如有，則將查找到的塊結構字符確定為第一塊結構字符；否則，

根據逐字符匹配計算每個塊結構字符與所述當前目錄項的名稱字符之間的匹配度，當所述匹配度達到設定閾值時，將所述匹配度對應的塊結構字符確定為第一塊結構字符。

4.如權利要求3所述的方法，其特征在于，所述在每個塊結構字符中查找是否有與所述當前目錄項的名稱字符中每個字符都匹配的塊結構字符之前還包括：

將每個塊結構字符以及所述當前目錄項的名稱字符統一為全角字符或半角字符。

5.如權利要求1所述的方法，其特征在于，所述根據所述第一位置信息獲取所述當前目錄項的起始位置信息，以及上一目錄項的結束位置信息包括：

當所述第一位置信息是所述第一文章內容的結束塊結構字符的位置信息時，將所述起始頁碼信息對應的后一頁的第二文章內容按照字符的屬性信息分割成至少一個塊結構字符，并根據所述第一位置信息，以及所述第二文章內容中起始塊結構字符的位置信息，確定所述當前目錄項的起始位置信息；

當所述第一位置信息是所述第一文章內容的起始塊結構字符的位置信息時，將所述起始頁碼信息對應的前一頁的第三文章內容按照字符的屬性信息分割成至少一個塊結構字符，并根據所述第一位置信息，以及所述第三文章內容的結束塊結構字符的位置信息，確定所述上一目錄項的結束位置信息。

6.一種版式文件中結構化信息獲取的裝置，其特征在于，包括：

確定單元，確定當前目錄項對應的起始頁碼信息；

分割單元，用于將所述起始頁碼信息對應頁的第一文章內容，按照內容屬性信息分割成至少一個塊結構字符；

匹配單元，用于在每個塊結構字符中查找與所述當前目錄項的名稱字符匹配的第一塊結構字符，并獲取所述第一塊結構字符在所述第一文章內容中第一位置信息；

獲取單元，用于根據所述第一位置信息獲取所述當前目錄項的起始位置信息。

7.如權利要求6所述的裝置，其特征在于，

所述分割單元，具體用于根據目錄文字和正文文字的字體大小及格式的不同，以及目錄和正文間的第一行距與正文間的第二行距的不同，將所述第一文章內容分割成至少一個塊結構字符，其中，所述塊結構字符包括：段結構字符或行結構字符。

8.如權利要求6所述的裝置，其特征在于，

所述匹配單元，具體用于在每個塊結構字符中查找是否有與所述當前目錄項的名稱字符中每個字符都匹配的塊結構字符，如有，則將查找到的塊結構字符確定為第一塊結構字符；否則，利用正則表達式，在每個塊結構字符中查找是否有與所述當前目錄項的名稱字符匹配的塊結構字符，如有，則將查找到的塊結構字符確定為第一塊結構字符；否則，根據逐字符匹配計算每個塊結構字符與所述當前目錄項的名稱字符之間的匹配度，當所述匹配度達到設定閾值時，將所述匹配度對應的塊結構字符確定為第一塊結構字符。

9.如權利要求8所述的裝置，其特征在于，

所述匹配單元，還用于將每個塊結構字符以及當前目錄項的名稱字符統一為全角字符或半角字符。

10.如權利要求9所述的裝置，其特征在于，

所述獲取單元，具體用于當所述第一位置信息是所述第一文章內容的結束塊結構字符的位置信息時，將所述起始頁碼信息對應的后一頁的第二文章內容按照字符的屬性信息分割成至少一個塊結構字符，并根據所述第一位置信息，以及所述第二文章內容中起始塊結構字符的位置信息，確定所述當前目錄項的起始位置信息；當所述第一位置信息是所述第一文章內容的起始塊結構字符的位置信息時，將所述起始頁碼信息對應的前一頁的第三文章內容按照字符的屬性信息分割成至少一個塊結構字符，并根據所述第一位置信息，以及所述第三文章內容的結束塊結構字符的位置信息，確定所述上一目錄項的結束位置信息。