[發明專利]一種Word文檔信息提取方法、裝置、電子設備及介質

在審

• 申請號: 202011407110.1
• 申請日: 2020-12-04
• 公開（公告）號: CN112417819A
• 公開（公告）日: 2021-02-26
• 發明（設計）人: 祝彥森;孫靖文;孫澤懿;徐凱波
• 申請（專利權）人: 上海明略人工智能（集團）有限公司
• 主分類號: G06F40/151
• 分類號: G06F40/151;G06F40/295;G06F16/36
• 代理公司: 北京超成律師事務所 11646
• 代理人: 王宏

本申請提供了一種Word文檔信息提取方法、裝置、電子設備及介質，其中，該方法包括：檢測當前Word文檔的文件擴展名是否為docx；若當前Word文檔的文件擴展名為docx，則將所述當前Word文檔轉換為xml文件；提取所述xml文件中不同文件類型的文件；針對每一種文件類型，采用與該文件類型對應的提取方式，對該文件類型的文件進行信息提取。本申請實施例提供的Word文檔信息提取方案無需手工維護大量規則，可以提高兼容度，同時大幅度降低維護成本。

技術領域

本申請涉及文檔提取技術領域，尤其是涉及一種Word文檔信息提取方法、裝置、電子設備及介質。

背景技術

Microsoft Word在當前使用中是占有巨大優勢的文字處理器，這使得Word專用的檔案格式Word文件(.doc)成為事實上最通用的標準。Word文件格式的詳細資料并不對外公開。Word文件格式不只一種，因為隨Word軟件本身的更新，文件格式也會或多或少的改版，新版的格式不一定能被舊版的程序讀取(大致上是因為舊版并未內建支援新版格式的能力)。

目前的Word文件基本都以docx為文件擴展名，docx是微軟Word的文件擴展名，Microsoft Office2007之后版本使用，其基于Office Open XML標準的壓縮文件格式取代了其以前專有的默認文件格式，在傳統的文件名擴展名后面添加了字母“x”(即“.docx”取代“.doc”、“.xlsx”取代“.xls”、“.pptx”取代“.ppt”)。docx文件比doc文件所占用空間更小，docx格式的文件本質上是一個ZIP文件。

現有技術中，對Word文檔信息提取的方案主要使用主流開放源碼函式庫進行文本格式的數據進行讀寫，然后將其組織成預設格式。

申請人在研究中發現，現有技術中當文本中的數據列增加或者減少時需要重新修改代碼，對于文本中存在換行、分欄等情況未做考慮，導致文本合并存在錯誤較多的情況，所以該方案兼容度差且維護成本高。

發明內容

有鑒于此，本申請的目的在于提供一種Word文檔信息提取方法、裝置、電子設備及介質，無需手工維護大量規則，可以提高兼容度，同時大幅度降低維護成本。

第一方面，本申請實施例提供了一種Word文檔信息提取方法，包括：

檢測當前Word文檔的文件擴展名是否為docx；

若當前Word文檔的文件擴展名為docx，則將所述當前Word文檔轉換為xml文件；

提取所述xml文件中不同文件類型的文件；

針對每一種文件類型，采用與該文件類型對應的提取方式，對該文件類型的文件進行信息提取。

在一種可能的實施方式中，所述文件類型包括文本類型、表格類型和圖片類型中的至少一種。

在一種可能的實施方式中，針對每一種文件類型，采用與該文件類型對應的提取方式，對該文件類型的文件進行信息提取，包括：

針對文本類型，采用正則表達式技術和/或命名實體識別技術提取所述文本類型的文件的文本信息。

在一種可能的實施方式中，針對每一種文件類型，采用與該文件類型對應的提取方式，對該文件類型的文件進行信息提取，包括：

針對表格類型，提取所述表格類型的文件的文檔名稱、表格描述的相關信息以及表格內部信息所對應的列名和行名中的至少一項。

在一種可能的實施方式中，針對每一種文件類型，采用與該文件類型對應的提取方式，對該文件類型的文件進行信息提取，包括：

針對圖片類型，提取所述圖片類型的文件的文檔名稱和圖片描述的相關信息中的至少一項。