[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

技術領域

本發明涉及一種電數字數據處理領域，具體地說是一種提取文檔信息的 方法。

背景技術

版式文檔格式是版面呈現效果固定的電子文檔格式，版式文檔的呈現與 設備無關，在各種設備上閱讀、打印或印刷時，其版面的呈現結果都是一致 的。版式文檔主要應用于成文后文件的發布、傳播和存檔。版式文檔的特點 是版面固定、不跑版，即所見即所得(Whatyouseeiswhatyouget,簡稱 WYSIWYG)，使電子文檔在使用過程中，呈現效果不因軟硬件環境、操作者的 變化而變化，在版式、版面、字體、字號等方面與紙質文件保持完全一致。 版式文檔格式的特點使它成為電子文檔發布、數字化信息傳播和存檔的理想 文檔格式。越來越多的電子圖書、產品說明、公司文告、網絡資料、電子郵 件開始使用版式文檔，在國外，Adobe公司的PDF版式文檔格式目前已成為數 字化信息事實上的一個工業標準。

隨著越來越多的書本實現了數字化，這些數字化書本多以版式電子文檔 的形式儲存，有些還以多重分欄來顯示，如何在各種分欄情況下讓計算機來 理解版式電子文檔中目錄與正文的關系則成為一個極具重要的問題。目前， 對于目錄與正文的關系，幾乎所有都是只考慮單欄，完全不考慮分欄情況。 對于單欄的版式文檔，文本塊是根據橫坐標來提取。但是，由于在多欄的情 況下，同一橫坐標對應著不同的文本塊，在分欄模式下，將有極大可能會丟 失掉部分分欄的文檔信息，因此無法實現多欄下文本塊的提取，無法在多欄 狀況下提取目錄對應的文本信息，從而導致了后續工作無法正確、順利的實 施。因此，如何解決分欄情況下目錄與對應正文文檔信息的提取成為了重中 之重。

發明內容

為此，本發明所要解決的技術問題在于版式文檔在分欄情況下無法準確 提取目錄與正文的連接關系，從而提出一種無論是在單欄或者分欄情況下， 仍能夠準確且便捷的提取文檔信息的方法。

為解決上述技術問題，本發明的提供一種提取文檔信息的方法和裝置。

本發明中的提取文檔信息的方法，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。

優選地，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每一欄進行排 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。

優選地，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。

優選地，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。

優選地，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。

本發明還提供一種提取文檔信息的裝置，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；