[發明專利]文檔分塊方法、裝置、存儲介質及電子設備

在審

• 申請號: 201811594902.7
• 申請日: 2018-12-25
• 公開（公告）號: CN109815453A
• 公開（公告）日: 2019-05-28
• 發明（設計）人: 韓志剛
• 申請（專利權）人: 東軟集團股份有限公司
• 主分類號: G06F17/22
• 分類號: G06F17/22
• 代理公司: 北京英創嘉友知識產權代理事務所(普通合伙) 11447
• 代理人: 曾堯;魏嘉熹

1.一種文檔分塊方法，其特征在于，包括：

對文檔進行預分塊，并獲取各個文字塊在所述文檔中的位置信息；

根據各個所述文字塊的位置信息，確定每一所述文字塊和鄰近該文字塊的文字塊之間的距離；

將相互鄰近且距離小于閾值的文字塊組合成新的文字塊，得到所述文檔最終的分塊結果。

2.根據權利要求1所述的方法，其特征在于，所述鄰近該文字塊的文字塊包括與所述文字塊水平鄰近的文字塊和豎直鄰近的文字塊；

所述確定每一所述文字塊和鄰近該文字塊的文字塊之間的距離，包括：

針對每一與所述文字塊水平鄰近的和每一與所述文字塊豎直鄰近的目標文字塊，將該目標文字塊與所述文字塊的鄰近邊界之間的距離，作為所述文字塊與該目標文字塊之間的距離。

3.根據權利要求2所述的方法，其特征在于，所述鄰近該文字塊的文字塊還包括與所述文字塊斜向鄰近的文字塊；

所述確定每一所述文字塊和鄰近該文字塊的文字塊之間的距離，還包括：

針對每一與所述文字塊斜向鄰近的目標文字塊，將該目標文字塊與所述文字塊的鄰近頂點之間的距離，作為所述文字塊與該目標文字塊之間的距離。

4.根據權利要求1至3中任一項所述的方法，其特征在于，在得到所述文檔的分塊結果后，所述方法還包括：

按照預設順序遍歷所述文檔中的文字塊，根據每一文字塊被遍歷到的次序，生成文字塊序列。

5.一種文檔分塊裝置，其特征在于，包括：

預分塊模塊，用于對文檔進行預分塊，并獲取各個文字塊在所述文檔中的位置信息；

第一確定模塊，用于根據各個所述文字塊的位置信息，確定每一所述文字塊和鄰近該文字塊的文字塊之間的距離；

組合模塊，用于將相互鄰近且距離小于閾值的文字塊組合成新的文字塊，得到所述文檔最終的分塊結果。

6.根據權利要求5所述的裝置，其特征在于，所述鄰近該文字塊的文字塊包括：與所述文字塊水平鄰近的文字塊和豎直鄰近的文字塊；

所述第一確定模塊包括：

第一確定子模塊，用于針對每一與所述文字塊水平鄰近的和每一與所述文字塊豎直鄰近的目標文字塊，將該目標文字塊與所述文字塊的鄰近邊界之間的距離，作為所述文字塊與該目標文字塊之間的距離。

7.根據權利要求6所述的裝置，其特征在于，所述鄰近該文字塊的文字塊還包括：與所述文字塊斜向鄰近的文字塊；

所述第一確定模塊還包括：

第二確定子模塊，用于針對每一與所述文字塊斜向鄰近的目標文字塊，將該目標文字塊與所述文字塊的鄰近頂點之間的距離，作為所述文字塊與該目標文字塊之間的距離。

8.根據權利要求5至7中任一項所述的裝置，其特征在于，所述裝置還包括：

生成模塊，用于在得到所述文檔的分塊結果后，按照預設順序遍歷所述文檔中的文字塊，根據每一文字塊被遍歷到的次序，生成文字塊序列。

9.一種計算機可讀存儲介質，其上存儲有計算機程序，其特征在于，該程序被處理器執行時實現權利要求1至4中任一項所述方法的步驟。

10.一種電子設備，其特征在于，包括：

存儲器，其上存儲有計算機程序；

處理器，用于執行所述存儲器中的所述計算機程序，以實現權利要求1至4中任一項所述方法的步驟。