[發(fā)明專利]提取文檔中數(shù)據(jù)的方法、裝置、介質(zhì)及電子設備

有效

• 申請?zhí)枺?/td>: 201811364864.6
• 申請日: 2018-11-12
• 公開（公告）號: CN109522529B
• 公開（公告）日: 2020-06-19
• 發(fā)明（設計）人: 強晟
• 申請（專利權）人: 北京懿醫(yī)云科技有限公司
• 主分類號: G06F40/14
• 分類號: G06F40/14;G06F16/84
• 代理公司: 北京律智知識產(chǎn)權代理有限公司 11438
• 代理人: 袁禮君;闞梓瑄

本發(fā)明實施例提供了一種提取文檔中數(shù)據(jù)的方法、裝置、介質(zhì)及電子設備，該方法包括：利用預設關鍵字Key列表對所述文檔進行數(shù)據(jù)提取，以獲取預設格式的初步提取內(nèi)容；根據(jù)實現(xiàn)預設功能的函數(shù)處理所述初步提取內(nèi)容，以對所述文檔中數(shù)據(jù)的最終提取。通過本發(fā)明實施例的技術方案進行文檔中數(shù)據(jù)的處理效率高并且適用性廣。

技術領域

本發(fā)明涉及數(shù)據(jù)處理技術領域，具體而言，涉及一種提取文檔中數(shù)據(jù)的方法、裝置、介質(zhì)及電子設備方法、裝置、介質(zhì)及電子設備。

背景技術

對文檔中某些數(shù)據(jù)進行提取是各行各業(yè)均需面對和解決的問題。示例性的，臨床文檔構架(Clinical Document Architecture，簡稱：CDA)是衛(wèi)生信息用戶層(HealthLevel 7，簡稱：簡稱HL7)第三版標準的一部分，用來規(guī)定臨床文檔內(nèi)容的標準化。CDA文檔包含診斷、手術經(jīng)過、隨訪結果等重要信息，具有極大的研究價值。但是，CDA文檔的大部分內(nèi)容以可擴展標記語言(Extensive Makeup Language，簡稱：XML)格式進行存儲。由于自然語言在諸如統(tǒng)計分析、歸納等方面存在較大處理困難性，因此，對于CDA文檔的數(shù)據(jù)價值挖掘手段前，需先對其進行數(shù)據(jù)處理。通用的處理方法是把CDA文檔進行細化歸納，例如：把手術記錄拆分為，“手術時間，手術醫(yī)生，手術經(jīng)過，術后診斷”等，或者，針對手術經(jīng)過，可以進行進一步的細化，比方“手術體位，手術部位，出入量以及吻合方式”等，才適合用于數(shù)據(jù)挖掘等研究。

現(xiàn)有技術中，對于CDA文檔的數(shù)據(jù)處理方式一般采用人工處理方式或XPath方式。人工處理方式中，對于待解析的數(shù)據(jù)(例如：照片或HTML頁面等)進行人工結構化分析候錄入計算機。XPath方式中，使用XPath來確定每個節(jié)點的位置。針對已采樣XML格式的CDA文檔，配置每個字段的XPath路徑，之后再泛化至所有文檔，就可以實現(xiàn)所有所需字段的文本抽取。

然而，現(xiàn)有技術中對文檔的處理方式效率低或適用性差。

需要說明的是，在上述背景技術部分公開的信息僅用于加強對本發(fā)明的背景的理解，因此可以包括不構成對本領域普通技術人員已知的現(xiàn)有技術的信息。

發(fā)明內(nèi)容

本發(fā)明實施例的目的在于提供一種提取文檔中數(shù)據(jù)的方法、裝置、介質(zhì)及電子設備，進而至少在一定程度上克服了現(xiàn)有技術中對文檔的處理方式效率低或適用性差的問題。

本發(fā)明的其他特性和優(yōu)點將通過下面的詳細描述變得顯然，或部分地通過本發(fā)明的實踐而習得。

根據(jù)本發(fā)明實施例的第一方面，提供了一種提取文檔中數(shù)據(jù)方法，包括：利用預設關鍵字Key列表對所述文檔進行數(shù)據(jù)提取，以獲取預設格式的初步提取內(nèi)容；根據(jù)實現(xiàn)預設功能的函數(shù)處理所述初步提取內(nèi)容，以對所述文檔中數(shù)據(jù)的最終提取。

在本發(fā)明的一種實施例中，利用預設的Key列表對所述文檔進行數(shù)據(jù)提取，包括：獲取多個Key，已確定所述Key列表；基于所述文檔確定對每個所述Key對應的Value的判斷條件；在所述文檔中定位所述多個Key的位置，判斷位于每個所述Key后的數(shù)據(jù)是否符合所述Key對應的Value的判斷條件；若位于所述Key后的數(shù)據(jù)符合所述Key對應的Value的判斷條件，則提取位于所述Key后的數(shù)據(jù)作為所述Key對應的Value。

在本發(fā)明的一種實施例中，判斷位于每個所述Key后的數(shù)據(jù)是否符合所述Key對應的Value的判斷條件之后，還包括：若存在位于所述Key后的數(shù)據(jù)不符合所述Key對應的Value的判斷條件，則基于所述Key，利用XPath方式對所述文檔進行提取。

在本發(fā)明的一種實施例中，所述預設格式的初步提取內(nèi)容包括：純文本格式和/或可擴展標記語言XML格式。