[发明专利]文档结构化提取方法、装置、计算机设备及存储介质

权利要求书

1.一种文档结构化提取方法，其特征在于，包括以下步骤：

将待提取的文档进行转换或解密；

将转换或解密后的文件进行OCR自动识别导出excel文件并导入到数据库中保存；

对excel表格进行数据处理；

基于数据特征，对处理后的数据进行OCR识别结果进行异常检测，对检测异常的进行手工修正；

对数据处理后的excel表格进行标准化。

2.如权利要求1所述的文档结构化提取方法，其特征在于，所述对excel表格进行数据处理的步骤包括：

对表格进行数据提取；

对表格进行数据清理。

3.如权利要求2所述的文档结构化提取方法，其特征在于，所述对表格进行数据提取的步骤包括：

计算表格边界；

计算表格单位；

计算表格标题。

4.如权利要求2所述的文档结构化提取方法，其特征在于，所述对excel表格进行数据清洗的步骤包括：

基于清洗规则对单元格的值进行清洗；

提取表格中所有非数值区域的起始行、结束行；

提取表格中所有非数值区域的起始列、结束列；

确定表格非数值区域作用的数值区域边界；

提取源指标名称；

建立映射指标。

5.一种文档结构化提取装置，其特征在于，包括以下单元：

文档转换解密单元，用于将待提取的文档进行转换或解密；

文档OCR识别单元，用于将转换或解密后的文件进行OCR自动识别导出excel文件并导入到数据库中保存；

数据处理单元，用于对excel表格进行数据处理；

异常检测单元，用于基于数据特征，对处理后的数据进行OCR识别结果进行异常检测，对检测异常的进行手工修正；

标准化单元，用于对清洗和修正后的excel表格进行标准化。

6.如权利要求5所述的文档结构化提取装置，其特征在于，所述所述数据处理单元包括：

数据提取单元，用于对表格进行数据提取；

数据清理单元，用于对表格进行数据清理。

7.根据权利要求6所述的文档结构化提取装置，其特征在于，所述数据提取单元包括：

边界计算单元，用于计算表格边界；

单位计算单元，用于计算表格单位；

标题计算单元，用于计算表格标题。

8.根据权利要求6所述的文档结构化提取装置，其特征在于，所述数据清理单元包括：

单元格值清理单元，用于基于清洗规则对单元格的值进行清洗；

非数值行提取单元，用于提取表格中所有非数值区域的起始行、结束行；

非数值列提取单元，用于提取表格中所有非数值区域的起始列、结束列；

边界确定单元，用于确定表格非数值区域作用的数值区域边界；

源指标提取单元，用于提取源指标名称；

映射建立单元，用于建立映射指标。

9.一种计算机设备，其特征在于，所述计算机设备包括存储器及处理器，所述存储器上存储有计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至4任一项所述的文档结构化提取方法。

10.一种计算机可读存储介质，其特征在于，所述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可实现如权利要求1至4任一项所述的文档结构化提取方法。