[发明专利]目标对象用内容过滤方法

说明书

本发明公开了目标对象用内容过滤方法，涉及文档内容提取技术领域，解决了现有技术不能实现对PDF文档进行针对性分析，导致无法从PDF文档中快速提取有效内容的技术问题；为目标文档匹配设置目标要素，根据目标要素对目标文档进行划分过滤，获取目标内容；本发明在读取目标文档后，结合目标文档的类型标签为其设置目标要素，既可以通过人工设定，也可以通过关联关系进行自动设定，能够满足不同场景下对目标文档的提取过滤要求，使得提取内容更加符合用户需求；本发明中的目标要素包括段落、章节、页眉、页脚等，针对不同类型标签的目标文档，设置了不同目标要素的组合，并为各要素匹配了对应的处理方式，能够保证对目标文档提取的准确性。

技术领域

本发明属于文档内容提取领域，涉及目标对象用内容过滤技术，具体是目标对象用内容过滤方法。

背景技术

PDF(Portable Document Format)可以再现原稿中的每一个字符、图像以及对应的颜色，且因具有标准完善、输出质量高等优点被广泛应用于各种领域；但由于不具有记录文档的逻辑结构，没有段落、表格等逻辑元素，导致从PDF中提取目标内容难度较大。

现有技术(文献号为CN111259623A的发明专利)首先为PDF文档加入段落结构标记符号，结合PDF文档解析工具，确定PDF文档的段落属性特征，再基于段落属性特征对段落结构的影响程度构建最终提取模型，以达到PDF文档段落的目的；现有技术仅能通过神经网络模型完成PDF文档的段落提取，不能对PDF文档进一步分析，无法从PDF文档中提取有效内容。因此，亟须一种目标对象用内容过滤方法。

发明内容

本发明旨在至少解决现有技术中存在的技术问题之一；为此，本发明提出了目标对象用内容过滤方法，用于解决现有技术不能实现对PDF文档进行针对性分析，导致无法从PDF文档中快速提取有效内容的技术问题；本发明首先读取目标文档，结合目标文档的类型标签设置目标要素，再根据目标要素对目标文档进行划分过滤，获取目标内容，能够有效保证目标内容的有效性和提取效率，以解决上述问题。

为实现上述目的，本发明的第一方面提供了目标对象用内容过滤方法，包括：

读取目标文档，结合目标文档的类型标签设置目标要素；其中，目标要素通过人工设定或者自动设定，且包括段落、章节、页眉、页脚中的一种或者多种；

根据目标要素对目标文档进行划分过滤，获取目标内容；其中，类型标签通过目标文档的内容属性设置，且目标文档具体为PDF文档。

优选的，所述类型标签根据目标文档的内容属性设置，包括：

当目标文档为企业年报时，则将对应的类型标签设置为1；

当目标文档为披露报告时，则将对应的类型标签设置为2；

当目标文档为责任报告时，则将对应的类型标签设置为3。

优选的，根据所述目标文档的类型标签自动设定目标要素，包括：

获取目标文档的类型标签；

根据类型标签和关联关系提取关联要素，并标记为目标要素；其中，关联关系通过人工设定。

优选的，当所述目标要素包括段落时，对目标文档进行段落划分，包括：

读取目标文档，将目标文档按照顺序划分为若干个存储单元；其中，每个存储单元对应目标文档中的一行文本；

将若干个存储单元与段落聚类模型结合，获取划分后的段落；其中，段落聚类模型根据字体特征参数建立。

优选的，当所述目标要素包括章节时，对目标文档进行章节划分，包括：

读取目标文档，将目标文档拆分为若干页；