[发明专利]一种文档处理方法及装置

权利要求书

1.一种文档处理方法，其特征在于，包括：

判定待处理文档种类；

得到所述待处理文档种类判断结果；

根据所述判断结果对所述待处理文档执行预设处理，

其中，所述预设处理至少包括如下一种或两种处理方式：处理所述待处理文档的文档段落格式、处理所述待处理文档的表格信息。

2.根据权利要求1所述的文档处理方法，其特征在于，根据所述判断结果对所述待处理文档执行预设处理包括：

所述判断结果为PDF待处理文档时，则提取所述PDF待处理文档中的文字信息、文字的位置信息以及线条信息；

根据所述线条信息进行表格内容解析；

根据所述文字信息和所述文字的位置信息进行段落解析。

3.根据权利要求2所述的文档处理方法，其特征在于，所述表格内容解析包括：

根据所述线条信息还原表格边框；

根据所述文字信息、文字的位置信息得到所述表格文本信息。

4.根据权利要求2所述的文档处理方法，其特征在于，所述段落解析包括：

根据预设方法判断所述段落的当前句与下一句是否相连，

其中，所述预设方法至少包括：词典匹配法、命名实体识别法和分类法。

5.根据权利要求4所述的文档处理方法，其特征在于，根据所述词典匹配法判断所述段落的当前句与下一句是否相连包括：

将词汇添加到所述词典中；

判断所述当前句的末尾词与所述下一句的开始词是否在字典中出现；

如果所述当前句的末尾词与所述下一句的开始词在字典中出现，则将所述当前句与所述下一句合并。

6.根据权利要求1所述的文档处理方法，其特征在于，根据所述判断结果对所述待处理文档执行预设处理包括：

所述判断结果为Word待处理文档时，则判定所述Word待处理文档的后缀名，

其中，所述后缀名至少包括：.doc和.docx；

若所述Word待处理文档的后缀名为.doc，则将所述.doc格式的Word待处理文档转化为.docx格式的Word待处理文档；

若所述Word待处理文档的后缀名不为.doc，直接使用python-docx对所述.docx格式的Word待处理文档进行文档段落格式解析和表格解析。

7.根据权利要求1所述的文档处理方法，其特征在于，根据所述判断结果对所述待处理文档执行预设处理包括：

所述判断结果为Excel待处理文档时，则使用python的xlrd库或java语言对所述Excel待处理文档进行解析。

8.根据权利要求7所述的文档处理方法，其特征在于，所述预设处理还包括：

所述判断结果为Excel待处理文档时，则判断所述Excel待处理文档的内容是否包含日期；

如果所述Excel待处理文档的内容包含日期，则所述xlrd库或所述java语言将所述日期处理成浮点数。

9.根据权利要求7所述的文档处理方法，其特征在于，所述预设处理还包括：

所述判断结果为Excel待处理文档时，则判断所述Excel待处理文档的内容是否包含合并单元格内容；

如果所述Excel待处理文档的内容包含合并单元格内容，则采用所述xlrd库的参数进行解析。

10.一种文档处理装置，其特征在于，包括：

判定模块，用于判定待处理文档种类；

判定结果输出模块，用于输出所述待处理文档种类判断结果；

解析模块，根据所述判断结果对待处理文档执行预设处理；

保存模块，得到所述待处理文档的文档处理结果；

其中，所述解析模块的所述预设处理至少包括如下一种或两种处理方式：处理所述待处理文档的文档段落格式、处理所述待处理文档的表格信息。