[发明专利]一种提取文档结构化信息的方法及装置

权利要求书

1.一种提取文档结构化信息的方法，其特征在于，包括：

提取文档的字符块信息；

根据文档中字符块信息选择结构化信息模板；

根据所述结构化信息模板对字符块进行聚类、排序后合并为文本块；

根据所述结构化信息模板和所述文本块形成结构化文档。

2.根据权利要求1所述的方法，其特征在于，所述根据文档中字符块信息选择结构化信息模板的处理前，还包括建立结构化信息模板，所述结构化信息模板中包括文档属性及其对应的属性内容。

3.根据权利要求2所述的方法，其特征在于，所述文档属性包括标题、正文，所述属性内容包括字体值、字号值、格式值。

4.根据权利要求2所述的方法，其特征在于，所述根据文档中字符块信息选择结构化信息模板的过程，包括

获取字符块信息中存在的属性内容；

将该属性内容与所述结构化信息模板中的信息内容匹配，

选择匹配程度最高的结构化信息模板。

5.根据权利要求2所述的方法，其特征在于，所述结构化信息模板中还设置有字号容忍度系数、和/或字符块之间的位置关系容忍系数。

6.根据权利要求5所述的方法，其特征在于，根据所述结构化信息模板对字符块进行聚类、排序后合并为文本块的处理中，包括：

根据所述结构化信息模板中的字号容忍度系数、和/或字符块之间的位置关系容忍系数，对字符块进行聚类生成文本块。

7.根据权利要求2所述的方法，其特征在于，根据所述结构化信息模板和所述文本块形成结构化文档的过程，包括：

根据结构化信息模板中的属性及属性内容，将属性内容相同的文本块作为该属性的结构信息，获得结构化文档。

8.一种提取文档结构化信息的装置，其特征在于，包括：

提取单元：提取文档的字符块信息；

模板选择单元：根据文档中字符块信息选择结构化信息模板；

文本块获取单元：根据所述结构化信息模板对字符块进行聚类、排序后合并为文本块；

结构化信息提取单元：根据所述结构化信息模板和所述文本块形成结构化文档。

9.根据权利要求8所述的装置，其特征在于，还包括模板建立单元：建立结构化信息模板，所述结构化信息模板中包括文档属性及其对应的属性内容。

10.根据权利要求8或9所述的装置，其特征在于，模板选择单元包括

获取子单元：获取字符块信息中存在的属性内容；

匹配子单元：将该属性内容与所述结构化信息模板中的信息内容匹配，

选择子单元：选择匹配程度最高的结构化信息模板。

11.根据权利要求10所述的装置，其特征在于，所述结构化信息模板中还设置有字号容忍度系数、和/或字符块之间的位置关系容忍系数。

12.根据权利要求11所述的装置，其特征在于，文本块获取单元包括：

容忍度处理子单元：根据所述结构化信息模板中的字号容忍度系数、和/或字符块之间的位置关系容忍系数，对字符块进行聚类生成文本块。

13.根据权利要求12所述的装置，其特征在于，结构化信息提取单元包括：

提取子单元：根据结构化信息模板中的属性及属性内容，将属性内容相同的文本块作为该属性的结构信息，获得结构化文档。