[發明專利]一種個股公告數據提取的方法及系統

在審

• 申請號: 201811615564.0
• 申請日: 2018-12-27
• 公開（公告）號: CN109684457A
• 公開（公告）日: 2019-04-26
• 發明（設計）人: 趙岑;陳世敏;馮采;張小平;羅廣超
• 申請（專利權）人: 清華大學
• 主分類號: G06F16/332
• 分類號: G06F16/332;G06F17/22
• 代理公司: 北京集佳知識產權代理有限公司 11227
• 代理人: 羅滿

1.一種個股公告數據提取的方法，其特征在于，基于通用框架，所述方法包括：

所述通用框架對接收到的個股公告進行預處理操作，得到結構化文本文件；

接收輸入的配置文件，并解析所述配置文件得到數據提取規則；

根據所述數據提取規則對所述結構化文本文件進行數據提取。

2.根據權利要求1所述的方法，其特征在于，所述通用框架對接收到的個股公告進行預處理操作，得到結構化文本文件，包括：

對所述個股公告進行格式統一處理，得到格式統一的文本文件；

對所述格式統一的文本文件進行內容結構化處理，得到所述結構化文本文件。

3.根據權利要求2所述的方法，其特征在于，對所述格式統一的文本文件進行內容結構化處理，得到所述結構化文本文件包括：

對所述格式統一的文本文件中的文本內容進行初步劃分，得到題目、正文部分、落款部分及附件部分；

以序列號為分隔符按照層級序列號對所述正文部分進行層級劃分，得到各層級文本；

對各所述層級文本進行自然段落的劃分，得到各自然段落；

對各所述自然段落進行語句劃分，得到所述文本文件的結構化文本內容。

4.根據權利要求2所述的方法，其特征在于，對所述格式統一的文本文件進行內容結構化處理，得到所述結構化文本文件包括：

對所述格式統一的文本文件進行表格識別，并提取出表格內容；

將所述表格內容中的非數字單元作為表頭候選項；

對所述表頭候選項及所述表格內容進行單位識別，得到所述文本文件的結構化表格內容。

5.根據權利要求1所述的方法，其特征在于，所述數據提取規則包括文本分別定位提取規則、文本同時定位提取規則、表格提取規則、按段落名提取段落規則、信息上下文定位規則、文本頭部定位規則、文本落款定位規則中的至少一項。

6.根據權利要求1所述的方法，其特征在于，當所述配置文件中包括預設正則表達式時，還包括：

通過所述預設正則表達式提取所述個股公告的公共信息；其中，所述公共信息包括證券代碼、證券標題、公告編號、公告日期中的至少一項。

7.一種個股公告數據提取的系統，其特征在于，基于通用框架，所述系統包括：

預處理模塊，用于所述通用框架對接收到的個股公告進行預處理操作，得到結構化文本文件；

解析模塊，用于接收輸入的配置文件，并解析所述配置文件得到數據提取規則；

數據提取模塊，用于根據所述數據提取規則對所述結構化文本文件進行數據提取。

8.根據權利要求7所述的系統，其特征在于，所述預處理模塊包括：

格式統一子模塊，用于對所述個股公告進行格式統一處理，得到格式統一的文本文件；

內容結構化子模塊，用于對所述格式統一的文本文件進行內容結構化處理，得到所述結構化文本文件。

9.一種個股公告數據提取設備，其特征在于，包括：

存儲器，用于存儲計算機程序；

處理器，用于執行所述計算機程序時實現如權利要求1至6任一項所述個股公告數據提取的方法的步驟。

10.一種計算機可讀存儲介質，其特征在于，所述計算機可讀存儲介質上存儲有計算機程序，所述計算機程序被處理器執行時實現如權利要求1至6任一項所述個股公告數據提取的方法的步驟。