[发明专利]一种通用文档结构信息抽取方法

摘要

本发明提供了一种通用文档结构信息抽取方法，属于文档一体化工程领域。本发明针对特定领域的领域知识，定义文档的同构信息格式，同构信息格式至少包括定义文本信息格式的文本节点、定义文档结构信息格式的结构节点、定义图片信息格式的图片节点、以及定义图表信息格式的表格节点，构建原始文档向同构信息格式的提取转换方法，供给上层应用的统一操作接口，以及同构信息描述格式，并将同构信息格式转换为同构信息描述格式显示。本发明可以抽取重要的文档结构信息，同时保持文档中的图片和图表信息，方法简单易用，通用性强；通过本发明方法可以建立特定领域的文档同构信息模型，实现文档信息的同构互操作，方便文档一体化管理。

主权项

一种通用文档结构信息抽取方法，其特征在于，该方法包括如下步骤:步骤一：定义原始文档的同构信息格式，同构信息格式至少包括：定义文本信息格式的文本节点、定义文档结构信息格式的结构节点、定义图片信息格式的图片节点、以及定义图表信息格式的表格节点；针对地震应急预案的领域知识，定义的地震应急预案的文档同构信息包括五类节点：定义文本信息格式的text节点、定义文档结构信息格式的level节点、定义图片信息格式的picture节点、定义图表信息格式的table节点、以及定义原始文档整体结构的document节点；level节点拥有属性name记录当前结构级别的标题，拥有属性code记录当前结构级别的具体值，level节点的子节点为四类节点中的任意一种；picture节点拥有属性filepath记录提取出的图片的具体存储位置；table节点拥有属性col和row分别记录表格的列数和行数，并拥有th和tr子节点，用来记录确切的行信息和列信息；document节点为整个文档结构的根节点，其子节点记录整个文档的结构信息；步骤二：构建原始文档向同构信息格式的提取转换方法；步骤三：通过步骤二转换得到原始文档的同构文档，针对同构文档，构建一组统一的操作接口，提供给上层应用；操作接口至少包括：对定义文档结构信息格式的结构节点的操作接口，对文本信息内容的操作接口，对图片信息的操作接口，及对图表信息的操作接口；步骤四：针对同构信息格式，定义同构信息描述格式，同构信息描述格式至少包括：对结构信息的描述、对文本信息的描述、对图片信息的描述、以及对图表信息的描述；步骤五：利用同构信息描述格式，将同构信息格式转换为同构信息描述格式。