[發(fā)明專利]一種電子文檔結(jié)構(gòu)化方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202011578098.0
• 申請(qǐng)日: 2020-12-28
• 公開（公告）號(hào): CN112800719A
• 公開（公告）日: 2021-05-14
• 發(fā)明（設(shè)計(jì)）人: 孟鑫
• 申請(qǐng)（專利權(quán)）人: 北京思題科技有限公司
• 主分類號(hào): G06F40/111
• 分類號(hào): G06F40/111;G06F40/114;G06F40/117;G06F40/151
• 代理公司: 北京世譽(yù)鑫誠專利代理有限公司 11368
• 代理人: 孫國棟

本發(fā)明公開的電子文檔結(jié)構(gòu)化方法，通過識(shí)別電子文檔的類型，根據(jù)該類型，對(duì)電子文檔的內(nèi)容進(jìn)行標(biāo)注，提高了效率及適用性，避免了垃圾數(shù)據(jù)的產(chǎn)生。

技術(shù)領(lǐng)域

本發(fā)明涉及溫度采集技術(shù)領(lǐng)域，具體涉及一種電子文檔結(jié)構(gòu)化方法。

背景技術(shù)

目前數(shù)據(jù)結(jié)構(gòu)化有如下幾種方案：

(1)直接在線編輯、手工錄入：通過打字、復(fù)制粘貼的方式來實(shí)現(xiàn)數(shù)據(jù)的生成和結(jié)構(gòu)化；

(2)通過在word文檔中打標(biāo)記，再經(jīng)過word解析程序?qū)ord文檔進(jìn)行解析，最后對(duì)打標(biāo)記時(shí)打的標(biāo)簽進(jìn)行比對(duì)、識(shí)別，完成word文檔中數(shù)據(jù)的結(jié)構(gòu)化。

該方案存在以下缺陷：

(1)支持文檔格式少，僅支持word文檔；

(2)手工在word文檔中打標(biāo)簽容易出錯(cuò)，且出錯(cuò)后不能及時(shí)發(fā)現(xiàn)；

(3)Word文檔因格式問題導(dǎo)致內(nèi)容解析錯(cuò)誤(串行、丟失、多內(nèi)容等)不能及時(shí)發(fā)現(xiàn)；

(4)若文檔中有與標(biāo)簽一致的內(nèi)容是，會(huì)造成word解析程序?qū)?nèi)容的誤判，導(dǎo)致結(jié)果不正確；

(5)只能等word內(nèi)容解析完成且導(dǎo)入系統(tǒng)之后才能核對(duì)解析結(jié)果是否正確，且人工核對(duì)效率低；

(6)解析結(jié)果出問題時(shí)，需要調(diào)整word文檔內(nèi)容后再次導(dǎo)入，導(dǎo)致系統(tǒng)中垃圾數(shù)據(jù)越積越多。

發(fā)明內(nèi)容

為解決現(xiàn)有技術(shù)的不足，本發(fā)明實(shí)施例提供了一種電子文檔結(jié)構(gòu)化方法，該方法包括以下步驟：

識(shí)別電子文檔的類型，其中，類型包括word類型、pdf類型、txt類型、jpg類型、png類型、bmp類型、zip類型；

根據(jù)所述類型，對(duì)所述電子文檔的內(nèi)容進(jìn)行標(biāo)注。

優(yōu)選地，根據(jù)所述類型，對(duì)所述電子文檔的內(nèi)容進(jìn)行標(biāo)注包括：

對(duì)Word、txt類型的電子文檔，解析所述電子文檔并提取所述電子文檔中的文本；

對(duì)特殊類型的電子文檔，采用html標(biāo)記的方式進(jìn)行標(biāo)識(shí)，生成所述電子文檔的識(shí)別結(jié)果；

對(duì)于pdf類型的電子文檔，生成相應(yīng)的png圖片，根據(jù)png圖片的處理方式處理所述電子文檔；

對(duì)于僅包含圖片的zip類型的電子文檔，將所述電子文檔解壓后，按照?qǐng)D片的方式處理所述電子文檔；

對(duì)于jpg、png、bmp類型的電子文檔，按照?qǐng)D片的方式處理所述電子文檔。

優(yōu)選地，按照?qǐng)D片的方式處理所述電子文檔包括：

將所述電子文檔作為一頁呈現(xiàn)在web界面上并對(duì)所述電子文檔的結(jié)構(gòu)進(jìn)行標(biāo)注，其中，標(biāo)注的內(nèi)容包括獨(dú)立圖片、行內(nèi)圖片、公式、清除塊、頁面拆分。

優(yōu)選地，在對(duì)所述電子文檔的結(jié)構(gòu)進(jìn)行標(biāo)注之后，所述方法還包括：

根據(jù)標(biāo)注的內(nèi)容，對(duì)圖片進(jìn)行加工，包括：

將獨(dú)立圖片和行內(nèi)圖片中的內(nèi)容轉(zhuǎn)換為單張圖片；

采用公式識(shí)別技術(shù)識(shí)別公式并將所述公式轉(zhuǎn)換為成Latex語言描述的公式；

將獨(dú)立圖片、行內(nèi)圖片、公式、清除塊從原始圖片中清除；

根據(jù)頁面拆分標(biāo)注，將經(jīng)過清除操作的原始圖片一分為二，得到多張圖片。

優(yōu)選地，在得到多張圖片之后，所述方法還包括：