[发明专利]一种处理文档信息的方法、装置、计算机存储介质及终端

权利要求书

1.一种处理文档信息的方法，包括：

根据段落的属性将文档进行初步划分得到第一子文档；

将所述第一子文档中具有相同格式的段落搜集为同一段落组，所述段落组为多个；

在搜集的所述段落组中划分出正文所在段落组和标题所在段落组；

根据所述正文所在段落组和所述标题所在段落组确定第二子文档。

2.根据权利要求1所述的方法，其特征在于，所述根据段落的属性将文档进行初步划分得到第一子文档，包括：

根据预设的正则表达式判断所述文档中是否包含所述第一子文档，所述正则表达式根据段落的属性设定；

根据是否包含所述第一子文档的判断结果，将文档初步划分得到所述第一子文档。

3.根据权利要求1所述的方法，其特征在于，所述将所述第一文档中具有相同格式的段落搜集为同一段落组之前，所述方法还包括：

根据段落的所述属性，确定各段落的特征；

根据所述段落的特征确定用于搜集所述段落组的格式，所述用于搜集所述段落组的格式为至少一个。

4.根据权利要求3所述的方法，其特征在于，所述将所述第一子文档中具有相同格式的段落搜集为同一段落组，包括：

通过确定的所述格式遍历第一子文档，确定具有相同格式的段落；

对确定的相同格式的段落，根据段落的最小段落序号和最大段落序号确定所述相同格式的段落组。

5.根据权利要求1～4任一项所述的方法，其特征在于，所述在搜集的所述段落组中划分出正文所在段落组和标题所在段落组，包括：

合并所述段落组中存在交集的段落得到新的段落组；

在所述新的段落组中划分出所述正文所在段落组和所述标题所在段落组。

6.根据权利要求5所述的方法，其特征在于，所述在新的段落组中划分出正文所在段落组和标题所在段落组，包括：

根据所述段落的一项以上特征计算段落的预测值，一项以上特征包括用于区分字体组成的特征，段落的特征根据段落的属性确定；

根据计算出的段落的所述预测值，确定所述文档中包含的字号信息；

根据确定的所述字号信息，在所述新的段落组中划分出所述正文所在段落组和所述标题所在段落组。

7.根据权利要求6所述的方法，其特征在于，所述根据计算出的段落的所述预测值，确定所述文档中包含的字号信息，包括：

在所述文档中不包含所述第一子文档的情况下，根据所述预测值确定所述文档的最大正文字号；

在所述文档中包含所述第一子文档的情况下，对各所述第一子文档分别根据所述预测值确定所述文档的最大正文字号。

8.根据权利要求7所述的方法，其特征在于，所述文档中不包含所述第一子文档的情况下，根据所述预测值确定所述文档的最大正文字号，包括：

从预测值小于预设数值的段落中，确定段落中的最大字号；

确定所述文档中所有段落的最小字号；

将所述最大字号和所述最小字号中较大的字号，作为所述最大正文字号。

9.根据权利要求8所述的方法，其特征在于，所述根据确定的所述字号信息，在所述新的段落组中划分出所述正文所在段落组和所述标题所在段落组，包括：

确定所述段落组对应的文档中的最大字号；

在确定的所述最大字号大于所述最大正文字号的情况下，将所述新的段落组划分为所述标题所在段落组；

在确定的所述最大字号小于或等于所述最大正文字号的情况下，将所述新的段落组划分为所述正文所在段落组。