[發明專利]一種文檔數據提取方法及裝置

在審

• 申請號: 201911006121.6
• 申請日: 2019-10-22
• 公開（公告）號: CN110888965A
• 公開（公告）日: 2020-03-17
• 發明（設計）人: 胡為民;鄭喜
• 申請（專利權）人: 深圳市迪博企業風險管理技術有限公司
• 主分類號: G06F16/33
• 分類號: G06F16/33
• 代理公司: 深圳中一聯合知識產權代理有限公司 44414
• 代理人: 李娟

本申請適用于計算機技術領域，提供了一種文檔數據提取方法，包括：當檢測到文檔數據提取請求時，基于所述文檔數據提取請求中包含的待處理文檔的標識信息確定數據定位信息；基于所述預設類型信息及其對應的特征信息，獲取所述待處理文檔中的表格信息和非表格信息；基于預設提取策略從所述表格信息和所述非表格信息中，提取出所述待處理文檔對應的目標數據。上述方案，通過數據定位信息獲取待處理文檔中的表格信息和非表格信息，結合表格信息和非表格信息各自對應的提取方法，快速的提取出待處理文檔中的目標數據。

技術領域

本申請屬于計算機技術領域，尤其涉及一種文檔數據提取方法及裝置。

背景技術

日常在對各種類型的文檔進行數據提取時，文檔不僅包括非表格的數據，同時也會包括有多種表格或半表格的數據。當對文檔進行數據提取時，表格或半表格的數據基于常規提取方式是無法準確提取出相應的數據，提取后還需要對數據進行結構化處理。如果想準確的對這些數據進行數據提取的話，需要先將文檔中的表格信息與非表格信息進行區分，再分別進行提取，這樣，會耗費大量的資源，處理起來十分繁瑣，數據提取效率低。

發明內容

本申請實施例提供了一種文檔數據提取方法及裝置，可以解決現有提取數據的方式耗費大量的資源，處理起來十分繁瑣，數據提取效率低的問題。

第一方面，本申請實施例提供了一種文檔數據提取方法，包括：

當檢測到文檔數據提取請求時，基于所述文檔數據提取請求中包含的待處理文檔的標識信息確定數據定位信息；所述數據定位信息包括預設類型信息及其對應的特征信息；

基于所述預設類型信息及其對應的特征信息，獲取所述待處理文檔中的表格信息和非表格信息；所述表格信息包括全表格信息和半表格信息；

基于預設提取策略從所述表格信息和所述非表格信息中，提取出所述待處理文檔對應的目標數據。

進一步地，所述特征信息包括所述預設類型信息對應的關鍵信息；所述關

鍵信息包括表前關鍵信息、表內關鍵信息、表后關鍵信息和表字段信息；

所述基于所述預設類型信息及其對應的特征信息，獲取所述待處理文檔中的表格信息和非表格信息，包括：

基于所述表前關鍵信息、所述表內關鍵信息、所述表后關鍵信息和所述表字段信息，遍歷所述待處理文檔獲取所述待處理文檔中的表格信息；

基于所述待處理文檔和所述表格信息，確定所述待處理文檔對應的非表格信息。

進一步地，所述表格信息包括所述待處理文檔中的目標表的位置信息和類型信息；

所述基于所述表前關鍵信息、所述表內關鍵信息、所述表后關鍵信息和所述表字段信息，遍歷所述待處理文檔獲取所述待處理文檔中的表格信息，包括：

遍歷所述待處理文檔，查找第一目標信息；所述第一目標信息為同時與所述表前關鍵信息、所述表內關鍵信息、所述表后關鍵信息和所述表字段信息均匹配的信息；

當從所述待處理文檔中查找到所述第一目標信息時，獲取所述第一目標信息對應的目標表的位置信息和類型信息。

進一步地，所述基于所述表前關鍵信息、所述表內關鍵信息、所述表后關鍵信息和所述表字段信息，遍歷所述待處理文檔獲取所述待處理文檔中的表格信息，包括：

遍歷所述待處理文檔，從所述待處理文檔中查找第二目標信息，所述第二目標信息為同時與所述表前關鍵信息、所述表內關鍵信息和所述表后關鍵信息均匹配的信息；

當從所述待處理文檔中查找到所述第二目標信息時，獲取所述第二目標信息對應的位置信息和目標表的信息；

基于所述目標表的信息和所述表字段信息，確定所述目標表的類型信息；