[發明專利]一種通用文檔結構信息抽取方法

有效

• 申請號: 201310272418.3
• 申請日: 2013-07-01
• 公開（公告）號: CN103399857B
• 公開（公告）日: 2017-02-08
• 發明（設計）人: 李新然;呂江花;馬世龍
• 申請（專利權）人: 北京航空航天大學
• 主分類號: G06F17/30
• 分類號: G06F17/30
• 代理公司: 北京永創新實專利事務所11121
• 代理人: 祗志潔

1.一種通用文檔結構信息抽取方法，其特征在于，該方法包括如下步驟:

步驟一：定義原始文檔的同構信息格式，同構信息格式至少包括：定義文本信息格式的文本節點、定義文檔結構信息格式的結構節點、定義圖片信息格式的圖片節點、以及定義圖表信息格式的表格節點；

步驟二：構建原始文檔向同構信息格式的提取轉換方法；

步驟三：針對同構文檔，構建一組統一的操作接口，提供給上層應用；操作接口至少包括：對信息結構的操作接口，對文本信息內容的操作接口，對圖片信息的操作接口，及對圖表信息的操作接口；

步驟四：針對同構信息格式，定義同構信息描述格式，同構信息描述格式至少包括：對結構信息的描述、對文本信息的描述、對圖片信息的描述、以及對圖表信息的描述；

步驟五：利用同構信息描述格式，將同構信息格式轉換為同構信息描述格式。

2.根據權利要求1所述的一種通用文檔結構信息抽取方法，其特征在于，所述的步驟一針對地震應急預案的領域知識，定義的地震應急預案的文檔同構信息包括五類節點：定義文本信息格式的text節點、定義文檔結構信息格式的level節點、定義圖片信息格式的picture節點、定義圖表信息格式的table節點、以及定義原始文檔整體結構的document節點；level節點擁有屬性name記錄當前結構級別的標題，擁有屬性code記錄當前結構級別的具體值，level節點的子節點為五類節點中的任意一種；picture節點擁有屬性filepath記錄提取出的圖片的具體存儲位置；table節點擁有屬性col和row分別記錄表格的列數和行數，表格節點擁有th和tr子節點，用來記錄確切的行信息和列信息；document節點為整個文檔結構的根節點，子節點記錄整個文檔的結構信息。

3.根據權利要求1所述的一種通用文檔結構信息抽取方法，其特征在于，所述的步驟二的具體實現方法是：首先，初始化原始文檔解析器；其次，初始化同構文檔構建器；然后，原始文檔解析器循環遍歷所有的原始文檔段落，如果當前段落為純文本信息，提交構建器，在對應同構文檔中添加文本節點；如果當前段落為結構信息，提取級別信息和標題信息，提交構建器，在對應的同構文檔中構建結構節點；如果當前段落包含圖片信息，提取圖片并存為文件，提交構建器，在對應的同構文檔中構建圖片節點；如果當前段落包含表格信息，按行列提取表格內容，提交構建器，在對應的同構文檔中構建表格節點；最后，當所有段落均遍歷完時，關閉原始文檔解析器，并存儲構建的同構文檔。

4.根據權利要求1所述的一種通用文檔結構信息抽取方法，其特征在于，所述的步驟三通過操作接口，從同構文檔中提取信息，具體實現方法為：初始化同構文檔的操作結口，利用DOM解析技術，解析提取結構序列，查找是否有匹配的結構序列，如果有，初始化同構文檔構建器，提取匹配的文檔結構，添加到新的文檔結構中，最后存儲同構文檔的提取結果。