[發明專利]一種打印內容格式化提取方法

有效

• 申請號: 201910526081.1
• 申請日: 2019-06-18
• 公開（公告）號: CN110210455B
• 公開（公告）日: 2022-03-01
• 發明（設計）人: 夏莫戛;張文靜;甘玉濤;樊利紅
• 申請（專利權）人: 石家莊捷弘科技有限公司
• 主分類號: G06V30/412
• 分類號: G06V30/412
• 代理公司: 北京睿智保誠專利代理事務所(普通合伙) 11732
• 代理人: 周新楣

本發明涉及文檔打印技術領域，具體是一種打印內容格式化提取方法，包括以下步驟：S1.將打印文檔的打印內容截取轉換為打印元素，生成打印元素集；S2.根據采樣的打印元素集設計提取元素，生成提取模版；S3.輸入打印元素集和提取模版，利用提取引擎進行運算，生成格式化提取結果。該打印內容格式化提取方法有效解決了純文本內容提取的不足，可以靈活、高效、準確的提取復雜表單中的內容。對OCR形式進行了有效的補充和優化。對精確坐標提取進行了創新的改進，容器提取元素嵌入基本提取元素的組合可以有效應對復雜的提取表單。可視化的模版設計界面，極大的簡化的設計難度，提高了設計的效率。

技術領域

本發明涉及文檔打印技術領域，具體是一種打印內容格式化提取方法。

背景技術

目前打印輸出是各行各業必不可少的一種輸出內容方式，但打印輸出的內容只適合人眼觀看、閱讀，無法有效的將輸出內容再次數據格式化，不利于數據的二次處理。在當前大數據流行的時代，我們亟需一種方式將其他系統的打印輸出內容重新數據格式化，這樣才能在沒有數據接口授權的情況下將公開的有效數據以低成本、高效率的方式重新利用起來。為大數據計算、人工智能等應用提供基礎的數據獲取解決方案。

現在的內容提取方式主要有三種。第一種，獲取純文本打印內容，針對特殊關鍵字進行文字分割和查找匹配。第二種，將打印內容完全轉換為圖片，利用OCR技術提取內容。第三種，解析打印標準，獲取到精確的內容和匹配的坐標信息，利用坐標分區提取內容。

三種提取方式各有優缺點：第一種方式的優點是獲取基礎數據方式簡單。缺點是無法精準的提取復雜信息，對于大量不標準表格數據（例如有些行列數據缺失等）極易產生解析錯誤。第二種方式的優點是可以自由劃定提取區域，可對各種形式的打印內容統一轉成圖片處理。缺點是一般OCR解析內容準確性不高，或依賴大數據訓練后獲得較高的準確率和性能（技術實現難度高）。第三種方式的優點是內容精確不用解析，內容帶坐標方便劃分。缺點是不方便將零散的數據組合，對某些原本就是圖片內容的數據無法處理。

發明內容

本發明的目的在于提供一種打印內容格式化提取方法，以解決上述背景技術中提出的復雜內容提取困難的問題；主要包括：提取的表單行數不確定，無法準確在提取前確定行數的問題；表單行大小不同對劃區提取造成影響的問題；表單數據分頁顯示提取的問題；提取內容干擾信息去除的問題；圖文混排提取方式靈活轉換的問題；提取信息浮動定位的問題。

為實現上述目的，本發明提供如下技術方案：

一種打印內容格式化提取方法，包括以下步驟：

S1.將打印文檔的打印內容截取轉換為打印元素（包括文本內容和相對頁面左上角的x、y坐標，還有文本內容顯示的高度和寬度信息），生成打印元素集（包括打印文檔名稱，總共的打印頁數，每頁的索引號，每頁的高度和寬度，每頁內包含的打印元素，另外包括每頁獨立的頁面圖片）；

S2.根據采樣的打印元素集設計提取元素（主要包括提取元素類型，關鍵詞，提取范圍（提取x、y坐標和高度、寬度，提取元素可以嵌套），和其它一些特殊類型屬性信息），生成提取模版；

S3.輸入打印元素集和提取模版，利用提取引擎進行運算，生成格式化提取結果（包括所有經過提取元素提取出來的數據，用關鍵字和提取到的內容組成鍵值對數據）。

作為本發明進一步的方案：步驟S2中，所述提取模版包括提取模版名稱、多個提取元素和一組處理腳本；所述提取元素包括基本提取元素或容器提取元素，提取元素可以嵌套組合。

作為本發明再進一步的方案：所述基本提取元素包括文本提取元素或條碼提取元素；所述文本提取元素包含提取鍵值和一組坐標，一組坐標用于相對于當前頁劃定一個區域并提取在此區域中的打印元素，提取鍵值用于將提取到的內容生成鍵值對。