[發(fā)明專利]信息抽取方法、裝置、電子設(shè)備及存儲(chǔ)介質(zhì)

在審

• 申請(qǐng)?zhí)枺?/td>: 202111340940.1
• 申請(qǐng)日: 2021-11-12
• 公開(kāi)（公告）號(hào): CN114077646A
• 公開(kāi)（公告）日: 2022-02-22
• 發(fā)明（設(shè)計(jì)）人: 姜濤;李瑞鋒;陳秀娥
• 申請(qǐng)（專利權(quán)）人: 北京百度網(wǎng)訊科技有限公司
• 主分類號(hào): G06F16/31
• 分類號(hào): G06F16/31;G06F16/33;G06F16/903;G06F16/25
• 代理公司: 北京柏杉松知識(shí)產(chǎn)權(quán)代理事務(wù)所(普通合伙) 11413
• 代理人: 馬敬;高鶯然

本公開(kāi)提供了一種信息抽取方法、裝置、電子設(shè)備及存儲(chǔ)介質(zhì)，涉及數(shù)據(jù)處理領(lǐng)域，尤其涉及數(shù)據(jù)提取領(lǐng)域。具體實(shí)現(xiàn)方案為：將待抽取文檔轉(zhuǎn)換為無(wú)空格文本；查找各指定字段在無(wú)空格文本中的索引位置；針對(duì)每個(gè)指定字段對(duì)應(yīng)的索引位置，從無(wú)空格文本中截取該索引位置之前第一長(zhǎng)度的文本和之后第一長(zhǎng)度的文本，得到該指定字段對(duì)應(yīng)的命中文本；通過(guò)該指定字段對(duì)應(yīng)的預(yù)設(shè)正則表達(dá)式，對(duì)命中文本進(jìn)行匹配，得到命中文本中與預(yù)設(shè)正則表達(dá)式相匹配部分的起止索引區(qū)間；基于起止索引區(qū)間從待抽取文檔中抽取該指定字段對(duì)應(yīng)的字段值。節(jié)省了人力和時(shí)間成本。

技術(shù)領(lǐng)域

本公開(kāi)涉及數(shù)據(jù)處理技術(shù)領(lǐng)域，尤其涉及數(shù)據(jù)提取技術(shù)領(lǐng)域。

背景技術(shù)

一些企事業(yè)單位隨著業(yè)務(wù)的發(fā)展，會(huì)積累大量包含相似信息的同類型歷史文檔，例如PDF文檔。為了方便存儲(chǔ)和查詢這些歷史文檔中的信息，可以對(duì)同類型歷史文檔進(jìn)行信息抽取，并對(duì)抽取出的信息進(jìn)行結(jié)構(gòu)化存儲(chǔ)。

發(fā)明內(nèi)容

本公開(kāi)提供了一種信息抽取方法、裝置、電子設(shè)備及存儲(chǔ)介質(zhì)。

根據(jù)本公開(kāi)的第一方面，提供了一種信息抽取方法，包括：

將待抽取文檔轉(zhuǎn)換為無(wú)空格文本；

查找各指定字段在所述無(wú)空格文本中的索引位置；

針對(duì)每個(gè)指定字段對(duì)應(yīng)的索引位置，從所述無(wú)空格文本中截取該索引位置之前第一長(zhǎng)度的文本和之后第一長(zhǎng)度的文本，得到該指定字段對(duì)應(yīng)的命中文本；

通過(guò)該指定字段對(duì)應(yīng)的預(yù)設(shè)正則表達(dá)式，對(duì)所述命中文本進(jìn)行匹配，得到所述命中文本中與所述預(yù)設(shè)正則表達(dá)式相匹配部分的起止索引區(qū)間；

基于所述起止索引區(qū)間從所述待抽取文檔中抽取該指定字段對(duì)應(yīng)的字段值。

根據(jù)本公開(kāi)的第二方面，提供了一種信息抽取裝置，包括：

第一轉(zhuǎn)換模塊，用于將待抽取文檔轉(zhuǎn)換為無(wú)空格文本；

查找模塊，用于查找各指定字段在所述無(wú)空格文本中的索引位置；

截取模塊，用于針對(duì)每個(gè)指定字段對(duì)應(yīng)的索引位置，從所述無(wú)空格文本中截取該索引位置之前第一長(zhǎng)度的文本和之后第一長(zhǎng)度的文本，得到該指定字段對(duì)應(yīng)的命中文本；

匹配模塊，用于通過(guò)該指定字段對(duì)應(yīng)的預(yù)設(shè)正則表達(dá)式，對(duì)所述命中文本進(jìn)行匹配，得到所述命中文本中與所述預(yù)設(shè)正則表達(dá)式相匹配部分的起止索引區(qū)間；

抽取模塊，用于基于所述起止索引區(qū)間從所述待抽取文檔中抽取該指定字段對(duì)應(yīng)的字段值。

根據(jù)本公開(kāi)的第三方面，提供了一種電子設(shè)備，包括：

至少一個(gè)處理器；以及

與所述至少一個(gè)處理器通信連接的存儲(chǔ)器；其中，

所述存儲(chǔ)器存儲(chǔ)有可被所述至少一個(gè)處理器執(zhí)行的指令，所述指令被所述至少一個(gè)處理器執(zhí)行，以使所述至少一個(gè)處理器能夠執(zhí)行第一方面所述的方法。

根據(jù)本公開(kāi)的第四方面，提供了一種存儲(chǔ)有計(jì)算機(jī)指令的非瞬時(shí)計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，其中，所述計(jì)算機(jī)指令用于使所述計(jì)算機(jī)執(zhí)行第一方面所述的方法。

根據(jù)本公開(kāi)的第五方面，提供了一種計(jì)算機(jī)程序產(chǎn)品，包括計(jì)算機(jī)程序，所述計(jì)算機(jī)程序在被處理器執(zhí)行時(shí)實(shí)現(xiàn)第一方面所述的方法。

應(yīng)當(dāng)理解，本部分所描述的內(nèi)容并非旨在標(biāo)識(shí)本公開(kāi)的實(shí)施例的關(guān)鍵或重要特征，也不用于限制本公開(kāi)的范圍。本公開(kāi)的其它特征將通過(guò)以下的說(shuō)明書而變得容易理解。

附圖說(shuō)明

附圖用于更好地理解本方案，不構(gòu)成對(duì)本公開(kāi)的限定。其中：

圖1是本公開(kāi)實(shí)施例提供的一種信息抽取方法的流程圖；