[發(fā)明專利]表格語義化解析系統(tǒng)技術

在審

• 申請?zhí)枺?/td>: 201910587279.0
• 申請日: 2019-06-28
• 公開（公告）號: CN110321530A
• 公開（公告）日: 2019-10-11
• 發(fā)明（設計）人: 徐茂龍;楊鴻健;程晨
• 申請（專利權）人: 南京智錄信息科技有限公司
• 主分類號: G06F17/21
• 分類號: G06F17/21;G06F17/24
• 代理公司: 暫無信息
• 代理人: 暫無信息

本發(fā)明涉及到表格數(shù)據(jù)提取的相關技術，涉及到文檔的表格相關數(shù)據(jù)語義化提取的處理方法。主要是解決表格數(shù)據(jù)的層次關系較為復雜，無法正確分解提取表格數(shù)據(jù)的問題。所要達到的技術目的是：將表格數(shù)據(jù)分為標題和數(shù)據(jù)，獲取數(shù)據(jù)的全部標題信息，也就是獲取到了這個數(shù)據(jù)的具體含義，以方便檢索數(shù)據(jù)用。

技術領域

本發(fā)明涉及到文檔的表格相關數(shù)據(jù)語義化提取的處理方法。

背景技術

由于很多學術論文以及公告文件等都是用PDF或者WORD格式存儲或者直接使用網(wǎng)頁傳播。但是對于這部分文檔里的表格數(shù)據(jù)，目前只有表格是無法快速處理數(shù)據(jù)的，需要提煉表格數(shù)據(jù)，以方便快速檢索。

由于表格數(shù)據(jù)的層次關系較為復雜，如何將多個矩陣類型的表格提取出成一個個獨立的數(shù)據(jù)目前并沒有一個通用的方案。以及表格外部的相關數(shù)據(jù)也并沒有與表格關聯(lián)。

發(fā)明內(nèi)容

本申請針對表格內(nèi)外部數(shù)據(jù)做進一步的處理劃分的方法，以更有效率的提取表格相關數(shù)據(jù)，以方便更多的應用。

首先對于表格前的文本內(nèi)容進行分析，找到表格前的附注內(nèi)容，包括以下內(nèi)容

找出表格前的居中(包含連續(xù)的)和居右的文本

如果沒有居中文本則找出表格前的以冒號結尾的自然段落

如果沒有冒號結尾的自然段落或者居中文本，那么找到離表格最近的非居中和非居右的文本段落

然后針對表格內(nèi)的數(shù)據(jù)進行分類：表格列標題，表格行標題，表格分塊行，表格內(nèi)容。

然后針對同一列的列標題進行融合，得到這一列的列標題，然后將這些列標題分配給這一列的具體的數(shù)據(jù)。

對于行標題也做相似的處理。將縱向區(qū)域有重合的單元格的列標題名稱進行融合，將融合后的行標題名稱分配給這一行的其他表格內(nèi)容。

具體實施方法

有一個表格如圖1所示

然后根據(jù)以下條件去判定：

表格前附注：表格前的居中(包含連續(xù)的)和居右的文本，表格前的以冒號結尾的自然段落，離表格最近的非居中和非居右的文本段落，優(yōu)先級逐漸降低。

表格列標題：表格每一列的具體數(shù)據(jù)名稱

表格行標題：在沒有列標題情況下，表格可能是橫向的數(shù)據(jù)結構關系，一般左側的為行標題，即行標題是這一行剩余的單元格的數(shù)據(jù)名稱

表格分塊行：表格內(nèi)一個單元格占據(jù)一行的數(shù)據(jù)

表格內(nèi)容：表格內(nèi)其他正常數(shù)據(jù)

結果如圖2所示

然后針對同一列的列標題進行融合，得到這一列的列標題，然后將這些列標題分配給這一列的具體的數(shù)據(jù)，如圖3。這里的同一列的定義是：列標題在橫向的范圍與此列有相交且這些列標題是連續(xù)的。

對于行標題也做相似的處理。將縱向區(qū)域有重合的單元格的列標題名稱進行融合，將融合后的行標題名稱分配給這一行的其他表格內(nèi)容。

如果表格內(nèi)存在表格分塊行，那么表格分塊行的內(nèi)容也加入到列標題或者行標題前，

但是分塊行不切斷表格的列標題。分塊行之后的數(shù)據(jù)可以繼續(xù)繼承之前的行標題，如圖4。

附圖說明

圖1是一個正常的含有多層結構的表格，以及表格前的文字內(nèi)容。

圖2是劃分完表格前附注，表格分塊行，表格列標題，表格內(nèi)容的結果。

圖3是以某一列舉例，這一列的列標題的具體情況。

圖4是以某一行的數(shù)據(jù)距離，這一行的數(shù)據(jù)語義化后的結果。