[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

说明书

本发明的实施例提供了一种文档结构化提取方法、装置、计算机设备及存储介质，所述方法包括：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。其引入OCR技术实现表格文本数据抽取并导出到excel，基于数据特征规则对OCR识别结果进行异常检测，并对检测结果进行修正让数据提取结果更准确，一次性OCR识别文本和表格，然后将数据一次性结构化处理，效率更高。

技术领域

本发明涉及文档提取技术领域，尤其涉及一种文档结构化提取方法、装置、计算机设备及存储介质。

背景技术

现有技术中对于文档的提取，一般是针对特定的业务需求而设计的，对财报等数据报表采用统一的格式要求。而针对不同格式的文档没有通用的提取方法或工具，处理效率低下。

发明内容

本发明的实施例提供了一种文档结构化提取方法、装置、计算机设备及存储介质，旨在解决不同格式文档的通用提取问题。

为达到上述目的，本发明所提出的技术方案为：

第一方面，本发明提供了一种文档结构化提取方法，其包括以下步骤：

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。

其中，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。

其中，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。

其中，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。

第二方面，本发明的实施例提供了文档结构化提取装置，其包括：

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。

其中，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；