[發明專利]一種提取文檔信息的方法及裝置

在審

• 申請號: 201410645726.0
• 申請日: 2014-11-12
• 公開（公告）號: CN105653549A
• 公開（公告）日: 2016-06-08
• 發明（設計）人: 林欣欣;易玨玲
• 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: G06F17/30
• 分類號: G06F17/30
• 代理公司: 北京三聚陽光知識產權代理有限公司 11250
• 代理人: 李敏

1.一種提取文檔信息的方法，其特征在于，包括：

提取文本數據塊；

獲取文本數據塊的開始位置和結束位置的橫縱坐標；

按照所述文本數據塊的開始位置和結束位置的橫縱坐標對所有數據塊進行排序；

獲取文本數據塊中的目錄文本數據塊；

根據目錄文本數據塊獲取目錄對應的文檔文本數據塊。

2.根據權利要求1所述的方法，其特征在于，按照所述文本數據塊的開始位置和結束位置的橫縱坐標對所有數據塊進行排序的處理，包括：

將開始位置和結束位置橫坐標相同的文本數據塊分為一欄；

根據每欄中文本數據塊的開始位置或結束位置的橫坐標將所有欄進行排序；

將屬于同一欄中的文本數據塊根據開始位置或結束位置的縱坐標進行排序。

3.根據權利要求1或2所述的方法，其特征在于，所述根據目錄文本數據塊獲取目錄對應的文檔文本數據塊的過程，包括：

獲取相鄰兩個目錄之間對應的文本數據塊；

根據所述文本數據塊的位置提取目錄對應的文檔文本數據塊。

4.根據權利要求3所述的方法，其特征在于，根據所述文本數據塊的位置提取目錄對應的文檔文本數據塊的處理，包括：

將待提取信息的目錄作為目標目錄，提取目標目錄對應的內容過程為：

目標目錄不存在時，提取目標目錄的下一目錄文本塊之前的所有文本數據塊作為目標目錄的文檔文本數據塊；

目標目錄存在下一目錄時，提取位于目標目錄和下一目錄之間的所有文本數據塊作為目標目錄的文檔文本數據塊；

目標目錄不存在下一目錄時，提取目標目錄下所有文本數據塊作為目標目錄的文檔文本數據塊。

5.根據權利要求1或2或3或4所述的方法，其特征在于，所述獲取文本數據塊中的目錄文本數據塊的處理，包括：

將文本數據塊中的文字與目錄中的文字進行匹配；

根據匹配結果確定文本數據塊中的目錄文本數據塊。

6.一種提取文檔信息的裝置，其特征在于，包括：

文本數據塊提取單元：提取文本數據塊；

坐標提取單元：獲取文本數據塊的開始位置和結束位置的橫縱坐標；

排序單元：按照所述文本數據塊的開始位置和結束位置的橫縱坐標對所有數據塊進行排序；

目錄文本數據塊獲取單元：獲取文本數據塊中的目錄文本數據塊；

目錄文檔獲取單元：根據目錄文本數據塊獲取目錄對應的文檔文本數據塊。

7.根據權利要求6所述的裝置，其特征在于，排序單元包括：

分欄子單元：將開始位置和結束位置橫坐標相同的文本數據塊分為一欄；

分欄排序子單元：根據每欄中文本數據塊的開始位置或結束位置的橫坐標將所有欄進行排序；

欄內排序子單元：將屬于同一欄中的文本數據塊根據開始位置或結束位置的縱坐標進行排序。

8.根據權利要求6或7所述的裝置，其特征在于，目錄文檔獲取單元包括：

獲取子單元：獲取相鄰兩個目錄之間對應的文本數據塊；

提取子單元：根據所述文本數據塊的位置提取目錄對應的文檔文本數據塊。

9.根據權利要求8所述的裝置，其特征在于，提取子單元包括：

第一提取子單元：目標目錄不存在時，提取目標目錄的下一目錄文本塊之前的所有文本數據塊作為目標目錄的文檔文本數據塊；

第二提取子單元：目標目錄存在下一目錄時，提取位于目標目錄和下一目錄之間的所有文本數據塊作為目標目錄的文檔文本數據塊；

第三提取子單元：目標目錄不存在下一目錄時，提取目標目錄下所有文本數據塊作為目標目錄的文檔文本數據塊。

10.根據權利要求6或7或8或9所述的裝置，其特征在于，目錄文本數據塊獲取單元包括：

匹配子單元：將文本數據塊中的文字與目錄中的文字進行匹配；

目錄文本數據塊確定單元：根據匹配結果確定文本數據塊中的目錄文本數據塊。