[發明專利]一種表格分析數據集的配置方法、系統及介質

有效

• 申請號: 202110913230.7
• 申請日: 2021-08-10
• 公開（公告）號: CN113792042B
• 公開（公告）日: 2023-09-15
• 發明（設計）人: 孫成通;郭繼東;胡焱;牛鵬
• 申請（專利權）人: 浪潮金融信息技術有限公司
• 主分類號: G06F16/22
• 分類號: G06F16/22
• 代理公司: 北京權智天下知識產權代理事務所(普通合伙) 11638
• 代理人: 王新愛

1.一種表格分析數據集的配置方法，其特征在于，包括以下步驟：

獲取源代碼：

獲取源文檔，識別所述源文檔的文檔類型，基于所述文檔類型獲取所述源文檔的源代碼數據；

創建表格結構樹：

設定識別碼，基于所述識別碼對所述源代碼數據進行篩選處理操作，得到結構源碼，基于所述結構源碼創建邏輯關系庫；

配置表格樣式數據庫，基于所述表格樣式數據庫和所述源代碼數據獲取第一樣式信息和第二樣式信息；

配置大數據分析程序，設置基準頻率，基于所述第一樣式信息、所述第二樣式信息、所述大數據分析程序和所述基準頻率創建高頻樣式庫和低頻樣式庫；

配置結構樹模板，基于所述邏輯關系庫、所述高頻樣式庫、所述低頻樣式庫和所述結構樹模板構建所述表格結構樹；

配置分析數據集：

配置格式轉換程序，獲取算法模型，基于所述表格結構樹、所述格式轉換程序和所述算法模型配置所述分析數據集；

所述基于所述結構源碼創建邏輯關系庫的步驟進一步包括：識別所述結構源碼中的行源碼和列源碼，提取所述行源碼的第一位置標記參數和所述列源碼的第二位置標記參數，基于所述第一位置標記參數和所述第二位置標記參數計算表格位置數據；判斷所述行源碼與所述列源碼之間是否存在邏輯源碼，若存在，則整合所述結構源碼、所述表格位置數據和所述邏輯源碼，得到所述邏輯關系庫；

所述基于所述第一樣式信息、所述第二樣式信息、所述大數據分析程序和所述基準頻率創建高頻樣式庫和低頻樣式庫的步驟進一步包括：調用所述大數據分析程序獲取與所述第一樣式信息所對應表格的第一使用頻率、與所述第二樣式信息所對應表格的第二使用頻率以及與所述第一樣式信息和所述第二樣式信息的組合信息所對應表格的第三使用頻率；將所述第一使用頻率、所述第二使用頻率和所述第三使用頻率中與所述基準頻率相匹配的使用頻率所對應的樣式信息進行整合，得到所述高頻樣式庫；將所述第一使用頻率、所述第二使用頻率和所述第三使用頻率中與所述基準頻率非匹配的使用頻率所對應的樣式信息進行整合，得到所述低頻樣式庫；

所述基于所述表格結構樹、所述格式轉換程序和所述算法模型配置所述分析數據集的步驟進一步包括：識別所述算法模型的模型類別，若所述模型類別為表格格式檢測類，則提取所述表格結構樹中的邏輯關系庫，并調用所述格式轉換程序將所述邏輯關系庫中的所述結構源碼和所述表格位置數據分別轉換為結構標識序列和位置標識序列；整合所述結構標識序列與所述位置標識序列，得到所述分析數據集；若所述模型類別為表格內容識別類，則提取所述表格結構樹中的所述邏輯關系庫、所述高頻樣式庫和所述低頻樣式庫；調用所述格式轉換程序將所述邏輯關系庫中的邏輯源碼、所述高頻樣式庫中的樣式信息和所述低頻樣式庫中的樣式信息分別轉換為邏輯標識序列、第一樣式序列和第二樣式序列；整合所述邏輯標識序列、所述第一樣式序列和所述第二樣式序列，得到所述分析數據集。

2.根據權利要求1所述的表格分析數據集的配置方法，其特征在于，所述基于所述文檔類型獲取所述源文檔的源代碼數據的步驟進一步包括：

若所述文檔類型為編輯類文檔，則獲取所述源文檔的數據層代碼，并設定所述數據層代碼為所述源代碼數據；

若所述文檔類型為排版類文檔，則獲取與所述源文檔對應的排版文件，訪問預打印數據庫中與所述排版文件相匹配的文件源碼，并設定所述文件源碼為所述源代碼數據。

3.根據權利要求2所述的表格分析數據集的配置方法，其特征在于，所述篩選處理操作包括：

調用解壓縮算法對所述源代碼數據進行解壓處理，得到解壓文件；

在所述解壓文件的數據包中提取與所述識別碼相匹配的標識性文件；

識別所述標識性文件的標識源碼，并在所述標識源碼中提取若干表格格式代碼段，整合若干所述表格格式代碼段，得到所述結構源碼。

4.根據權利要求3所述的表格分析數據集的配置方法，其特征在于，所述基于所述表格樣式數據庫和所述源代碼數據獲取第一樣式信息和第二樣式信息的步驟進一步包括：

獲取表格版本信息，在所述表格樣式數據庫中提取與所述表格版本信息相匹配的第一表格模板，提取所述第一表格模板的第一模板源碼，并設定所述第一模板源碼為所述第一樣式信息；

提取所述源代碼數據中的第二模板源碼，并設定所述第二模板源碼為所述第二樣式信息。