[发明专利]数据提取系统

说明书

本发明涉及数据管理。为了有效且可靠地从一个或多个表格数据文件中提取数据，提供了一种数据提取系统用于从一个或多个表格数据文件中提取数据。该系统包括用户界面，该用户界面适于便于一个或多个用户提交一个或多个表格数据文件，每个表格数据文件包括至少一个表。根据第一替代方案，用户界面被配置为接收包括至少一个目标表的用户定义模板。数据提取系统还包括数据提取模块或验证器。数据提取模块包括模式级匹配器和实例级匹配器。模式级匹配器被配置为识别至少一个目标表的目标模式级信息，并且基于目标模式级信息从提交的一个或多个表格数据文件中选择至少一个语义匹配的候选表。实例级匹配器被配置为识别至少一个目标表的目标实例级信息并且基于目标实例级信息从至少一个语义匹配的候选表中提取数据。根据第二替代方案，用户界面被配置为接收验证器模板。该数据提取系统还包括验证器，该验证器被配置为将验证器模板应用到一个或多个表格数据文件中的至少一个表以基于由验证器模板定义的针对标记、元数据和/或数据的规则来验证该至少一个表的表格式。

技术领域

本发明涉及数据管理。特别地，本发明涉及一种用于从一个或多个表格数据文件中提取数据的数据提取系统、一种分布式数据库系统、一种用于从一个或多个表格数据文件中提取数据的计算机实现的方法、一种计算机程序元素，以及一种计算机可读介质。

背景技术

在许多环境中，例如在实验室环境、生产环境或与业务相关的环境中，可能会从各种源收集大量数据。例如，在实验室环境中，文件可能源于过去使用各种实验室设备进行的大量实验测试，其中大部分数据是使用表格数据文件(例如Excel文件)捕获、记录和交换的。这可能会为每个项目生成数百到数千个此类文件。

由于这些文件中的许多文件本身已经包含表格数据结构，因此自动提取通常很简单，因为该结构在给定项目的所有文件中保持一致。在这种情况下，数据可以轻松迁移到任何其他系统以用于数据分析。但是，一旦这种结构在文件内仅略有偏差，数据提取可能会变得更加困难且通常是耗时的过程，这可能需要严格的手动数据结构化和清理。

发明内容

可能需要有效且可靠地从一个或多个表格数据文件中提取数据。

本发明的目的由独立权利要求的主题解决，其中进一步的实施例包含在从属权利要求中。应当注意，本发明的以下描述的方面也适用于用于从一个或多个表格数据文件中提取数据的数据提取系统、分布式数据库系统、用于从一个或多个表格数据文件中提取数据的计算机实现的方法、计算机程序元素和计算机可读介质。

根据本发明的第一方面，提供了一种用于从一个或多个表格数据文件中提取数据的数据提取系统。该系统包括用户界面，该用户界面适于便于一个或多个用户提交一个或多个表格数据文件，每个表格数据文件包括至少一个表。

根据第一替代方案，用户界面被配置为接收包括至少一个目标表的用户定义模板。数据提取系统还包括数据提取模块。数据提取模块包括模式级匹配器和实例级匹配器。模式级匹配器被配置为识别所述至少一个目标表的目标模式级信息，并且基于所述目标模式级信息从提交的一个或多个表格数据文件中选择至少一个语义匹配的候选表。实例级匹配器被配置为识别所述至少一个目标表的目标实例级信息，并且基于所述目标实例级信息从所述至少一个语义匹配的候选表中提取数据。

根据第二替代方案，用户界面被配置为接收验证器模板。数据提取系统还包括验证器，其被配置为将所述验证器模板应用到所述一个或多个表格数据文件中的至少一个表，以基于由验证器模板定义的针对标记、元数据和/或数据的规则来验证所述至少一个表的表格式。