[发明专利]抽取关系型表格的方法和装置

权利要求书

1.一种从非结构化文档中抽取关系型表格的方法，包括：

检测非结构化文档中的表格，以获得表格；以及

确定指示表格中的对象标识符部分、属性名部分和属性值部分的表格布局。

2.根据权利要求1的抽取关系型表格的方法，其中所述非结构化文档是网页，以及通过解析网页并选择被用来显示表格数据的DOM节点来得到表格。

3.根据权利要求1或2的抽取关系型表格的方法，还包括：

在确定表格布局之前，规范化所检测的表格的内容。

4.根据权利要求3的抽取关系型表格的方法，其中规范化所检测的表格的内容包括：

对于表格的每个表格单元格计算一段文本，此文本可以为空。

5.根据权利要求4的抽取关系型表格的方法，所述对于表格的每个表格单元格计算一段文本包括：

对于每个无文本节点但含图像节点的单元格，基于图像节点的特征确定一段文本。

6.根据权利要求1或2的抽取关系型表格的方法，还包括：

在确定表格布局之前，过滤表格中的内容，以去除信息含量低的数据。

7.根据权利要求6的抽取关系型表格的方法，所述过滤表格中的内容包括以下操作中的至少一种：

计算表示行的信息含量的行信息量分数，并去除行信息量分数低的行；

计算表示列的信息含量的列信息量分数，并去除列信息量分数低的列；

计算表示整个表格的信息含量的表格信息量分数，并且如果整个表格的信息量分数低于预定阈值，则丢弃该表格。

8.根据权利要求1或2的抽取关系型表格的方法，所述确定表格布局包括：

确定表征表格中候选对象标识符部分、候选属性名部分和候选属性值部分的布局的各种候选表格布局；

计算各种候选表格布局的一致性分数；

基于所计算的各种候选表格布局的一致性分数，确定表格布局，从而确定了表格中的对象标识符部分、属性名部分和属性值部分。

9.根据权利要求8的抽取关系型表格的方法，至少基于下列要素中的一个或几个计算各种候选表格布局的一致性分数：

1)对象标识符是否唯一；

2)属性名是否唯一；

3)各行之间的相似度分数和各列之间的相似度分数；

4)每行的各个单元格间数据的类型一致性，以及每列的各个单元格间数据的类型一致性。

10.一种从非结构化文档抽取关系型表格的装置，包括：

表格检测部分，检测非结构化文档中的表格，以获得表格；以及

表格布局确定部分，确定指明表格中的对象标识符部分、属性名部分和属性值部分的表格布局。