[发明专利]一种文档数据提取方法及装置

说明书

本申请适用于计算机技术领域，提供了一种文档数据提取方法，包括：当检测到文档数据提取请求时，基于所述文档数据提取请求中包含的待处理文档的标识信息确定数据定位信息；基于所述预设类型信息及其对应的特征信息，获取所述待处理文档中的表格信息和非表格信息；基于预设提取策略从所述表格信息和所述非表格信息中，提取出所述待处理文档对应的目标数据。上述方案，通过数据定位信息获取待处理文档中的表格信息和非表格信息，结合表格信息和非表格信息各自对应的提取方法，快速的提取出待处理文档中的目标数据。

技术领域

本申请属于计算机技术领域，尤其涉及一种文档数据提取方法及装置。

背景技术

日常在对各种类型的文档进行数据提取时，文档不仅包括非表格的数据，同时也会包括有多种表格或半表格的数据。当对文档进行数据提取时，表格或半表格的数据基于常规提取方式是无法准确提取出相应的数据，提取后还需要对数据进行结构化处理。如果想准确的对这些数据进行数据提取的话，需要先将文档中的表格信息与非表格信息进行区分，再分别进行提取，这样，会耗费大量的资源，处理起来十分繁琐，数据提取效率低。

发明内容

本申请实施例提供了一种文档数据提取方法及装置，可以解决现有提取数据的方式耗费大量的资源，处理起来十分繁琐，数据提取效率低的问题。

第一方面，本申请实施例提供了一种文档数据提取方法，包括：

当检测到文档数据提取请求时，基于所述文档数据提取请求中包含的待处理文档的标识信息确定数据定位信息；所述数据定位信息包括预设类型信息及其对应的特征信息；

基于所述预设类型信息及其对应的特征信息，获取所述待处理文档中的表格信息和非表格信息；所述表格信息包括全表格信息和半表格信息；

基于预设提取策略从所述表格信息和所述非表格信息中，提取出所述待处理文档对应的目标数据。

进一步地，所述特征信息包括所述预设类型信息对应的关键信息；所述关

键信息包括表前关键信息、表内关键信息、表后关键信息和表字段信息；

所述基于所述预设类型信息及其对应的特征信息，获取所述待处理文档中的表格信息和非表格信息，包括：

基于所述表前关键信息、所述表内关键信息、所述表后关键信息和所述表字段信息，遍历所述待处理文档获取所述待处理文档中的表格信息；

基于所述待处理文档和所述表格信息，确定所述待处理文档对应的非表格信息。

进一步地，所述表格信息包括所述待处理文档中的目标表的位置信息和类型信息；

所述基于所述表前关键信息、所述表内关键信息、所述表后关键信息和所述表字段信息，遍历所述待处理文档获取所述待处理文档中的表格信息，包括：

遍历所述待处理文档，查找第一目标信息；所述第一目标信息为同时与所述表前关键信息、所述表内关键信息、所述表后关键信息和所述表字段信息均匹配的信息；

当从所述待处理文档中查找到所述第一目标信息时，获取所述第一目标信息对应的目标表的位置信息和类型信息。

进一步地，所述基于所述表前关键信息、所述表内关键信息、所述表后关键信息和所述表字段信息，遍历所述待处理文档获取所述待处理文档中的表格信息，包括：

遍历所述待处理文档，从所述待处理文档中查找第二目标信息，所述第二目标信息为同时与所述表前关键信息、所述表内关键信息和所述表后关键信息均匹配的信息；

当从所述待处理文档中查找到所述第二目标信息时，获取所述第二目标信息对应的位置信息和目标表的信息；

基于所述目标表的信息和所述表字段信息，确定所述目标表的类型信息；