[发明专利]一种数据提取方法、装置、终端设备及存储介质

说明书

本申请实施例适用于数据处理技术领域，提供了一种数据提取方法、装置、终端设备及存储介质，所述方法包括：获取待处理文档，对所述待处理文档进行预处理，生成目标数据集；采用预先生成的文档匹配信息对所述目标数据集进行正则匹配，提取所述目标数据集中的文本数据；截取所述待处理文档中的表格；采用所述文档匹配信息对所述表格中的文本内容进行正则匹配，提取所述待处理文档中的表格数据；存储所述文本数据和所述表格数据。本实施例针对文本数据和表格数据分别进行处理，解决了按照相同方式对文本数据和表格数据进行提取时容易出现提取错误的问题，提高了数据提取的准确率。

技术领域

本申请属于数据处理技术领域，特别是涉及一种数据提取方法、装置、终端设备及存储介质。

背景技术

目前，投资者获取上市公司的相关信息主要来源于该公司发布的三会公告，即董事会公告、监事会公告和股东大会公告。如果想要使用公告中的详细数据，只能通过人工的方式实现，由工作人员逐份阅读公告文本，然后提取出有用的数据来支持相应的研究。

当涉及到大量的公告需要处理时，通过人工的方式提取公告中的数据效率极其低下。如果提取的数据是表格中的数据，在由工作人员录入这些表格数据时，也十分容易出现录入错误，降低数据提取的准确率。

发明内容

有鉴于此，本申请实施例提供了一种数据提取方法、装置、终端设备及存储介质，以解决现有技术中只能通过人工的方式提取公告中的数据，提取效率及准确率都较低的问题。

本申请实施例的第一方面提供了一种数据提取方法，包括：

获取待处理文档，对所述待处理文档进行预处理，生成目标数据集；

采用预先生成的文档匹配信息对所述目标数据集进行正则匹配，提取所述目标数据集中的文本数据；

截取所述待处理文档中的表格；

采用所述文档匹配信息对所述表格中的文本内容进行正则匹配，提取所述待处理文档中的表格数据；

存储所述文本数据和所述表格数据。

本申请实施例的第二方面提供了一种数据提取装置，包括：

目标数据集生成模块，用于获取待处理文档，对所述待处理文档进行预处理，生成目标数据集；

文本数据提取模块，用于采用预先生成的文档匹配信息对所述目标数据集进行正则匹配，提取所述目标数据集中的文本数据；

表格截取模块，用于截取所述待处理文档中的表格；

表格数据提取模块，用于采用所述文档匹配信息对所述表格中的文本内容进行正则匹配，提取所述待处理文档中的表格数据；

数据存储模块，用于存储所述文本数据和所述表格数据。

本申请实施例的第三方面提供了一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述第一方面所述数据提取方法的步骤。

本申请实施例的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述第一方面所述数据提取方法的步骤。

与现有技术相比，本申请实施例包括以下优点：

本申请实施例，在获取到待处理文档后，通过对待处理文档进行预处理生成目标数据集，从而可以采用预先生成的文档匹配信息对目标数据集进行正则匹配，提取出相应的文本数据；而对于待处理文档中的表格，则可以预先从原文档中将各个表格截取出来，再采用文档匹配信息对表格中的文本内容进行正则匹配，提取出相应的表格数据。本实施例针对文本数据和表格数据分别进行处理，解决了按照相同方式对文本数据和表格数据进行提取时容易出现提取错误的问题，提高了数据提取的准确率。