[发明专利]一种基于文档表格文本提取方法

说明书

本发明公开了一种基于文档表格文本提取方法，首先将待处理的word文档上传到系统服务器，系统服务器根据导入文件个数随机给每个文件分配一个文件编号，系统服务器将文件编号、文件名称、文件大小、文件存放位置、文件格式存放到数据库中；然后创建目标文件excel并初始化；通过文件编号从数据库中获取word文档存放位置、文件名称、文件格式在内的信息并写入目标文件Excel中；利用Java读取数据流的方式获得原word文档中所有的表格内容；然后填充，循环执行，直到将原word文件循环完毕；最后将目标文件excel导出。本发明解决了现有技术中存在的人工整合工作量较大、时间紧、效率低以及准确性较差的问题。

技术领域

本发明属于数据质量检测技术领域，具体涉及一种基于文档表格文本提取方法。

背景技术

基于政务服务评估指标体系、国家基本目录及实施清单要素标准要求，精益化梳理过程中，不同事项需要的办事申请表模板不尽相同，不同部门均有自己定制化要求，群众办事需填写各种表单，基本信息重复填写，费事费力，导致办事效率低、办事体验感极差。现在需要将不同格式申请表整合为一份，提取公共部分，保留个性化信息。

目前纯人工整合申请表工作量较大、时间较紧，新老员工工作效率相差较大，缺少经验继承，结果分享等方法和工具；缺少数据工作指引、来源查找工具，缺少数据结果审核、纠错等工具，共享难，改造难，导致行政效能改革缓慢，不利于营商环境的优化。

发明内容

本发明的目的是提供一种基于文档表格文本提取方法，解决了现有技术中存在的人工整合工作量较大、时间紧、效率低以及准确性较差的问题。

本发明所采用的技术方案是，一种基于文档表格文本提取方法，具体按照以下步骤实施：

步骤1、将待处理的word文档上传到系统服务器，系统服务器根据导入文件个数随机给每个文件分配一个文件编号，系统服务器将文件编号、文件名称、文件大小、文件存放位置、文件格式存放到数据库中；

步骤2、创建目标文件excel，并初始化；

步骤3、通过文件编号从所述步骤1的数据库中获取步骤1中所述的word文档存放位置、文件名称、文件格式在内的信息；

步骤4、将通过步骤3获取的文件名称写入步骤2中所述的目标文件Excel中；

步骤5、利用Java读取数据流的方式通过步骤3获取的文件存放路径获得步骤1中的原word文档中所有的表格内容；

步骤6、将步骤5中所述的表格内容按照业务规则分为“表单项名称”、“选项名称”、“单位名称”三类，然后分别填充到步骤2所述的目标Excel中的第三行开始的列标columnIndex、columnIndex+1、columnIndex+2对应的单元格中；

步骤7、将步骤2初始化定义的列标columnIndex赋值为columnIndex+3，继续从步骤3～步骤6开始循环执行，直到将步骤1中所上传的原word文件循环完毕；

步骤8、将所述步骤2中的目标文件excel以“x份表单提取+时间戳.xls”的命名方式导出。

本发明的特点还在于，

步骤2具体按照以下步骤实施：

步骤2.1、创建目标文件excel，行和列暂不填充，为后面步骤做准备；

步骤2.2、自定义目标文件excel的起始列标columnIndex初始值为0，其他列列标依次+1的方式进行赋值；

步骤2.3、自定义目标文件excel的起始行标rowIndex初始值为3，其他行依次+1的方式进行赋值；

步骤4具体按照以下步骤实施：