[发明专利]一种识别文字文档的方法及装置

说明书

技术领域

本发明涉及计算机技术领域，尤其涉及一种识别文字文档的方法及装置。

背景技术

在日常生活、工作中，在电脑端文字文档已普遍为用户使用，用户将自己的想法、介绍项目计划、说明产品使用、发布公告通知等通过文字文档形式展示给多人查阅。而如何让文档看起来更加直观、结构更加清晰、重点更加突出就成了重难点。Microsoft Word设定了一系列的展示规则(例如:标题样式、题注样式、项目符号和编号不同层级的缩进和行间距等)来解决上述问题，而用户必须了解和学习这些规则，并在文档编辑过程中，对字、段设置相应的规则和属性。

但从日常用户制作的文档来看，80％的用户并不会使用这些规则，他们更多的是通过改变字号、字形、间距等来突出重点内容或文档结构。这些不规范的文档也就导致我们在做内容提取或进行文档结构展示优化时无法得知某些文字片段所担当的角色(例如：标题1～3、题注等)，从而无法识别或优化，导致了识别文字文档的结构错乱的技术问题。

发明内容

本发明实施例提供了一种识别文字文档的方法及装置，解决了目前用户的排版方式通常为改变字号、字形、间距等来突出重点内容或文档结构，所导致的识别文字文档的结构错乱的技术问题。

本发明实施例中提供的一种识别文字文档的方法，包括：

根据提取的原文档内容识别出版面元素；

将所述版面元素映射到相对应的预置标签；

根据所述预置标签将所述原文档内容进行自定义处理。

优选地，根据提取的原文档内容识别出版面元素之前还包括：

提取原文档的所有内容或部分内容。

优选地，根据提取的原文档内容识别出版面元素具体包括：

根据提取的原文档的所有内容或部分内容对应的属性以确定所述版面元素。

优选地，所述版面元素属于文字属性和版面排版属性。

优选地，根据所述预置标签将所述原文档内容进行自定义处理具体包括：

根据所述预置标签并结合预置展示规则将所述原文档内容进行展示；

和/或

将所述预置标签对应的预置展示规则进行存储。

优选地，根据所述预置标签并结合预置展示规则将所述原文档内容进行展示具体包括：

判断所述版面排版属性是否缺少一个或多个版面元素，若是，则确定与缺少的所述版面元素相对应第一预置展示规则；

确定其余的第二预置展示规则；

根据所述预置标签并结合所述第一预置展示规则和所述第二预置展示规则将所述原文档内容进行展示。

本发明实施例中提供的一种识别文字文档的装置，其特征在于，包括：

确定单元，用于根据提取的原文档内容识别出复数个版面元素；

映射单元，用于将所述版面元素映射到相对应的预置标签；

自定义处理单元，用于根据所述预置标签将所述原文档内容进行自定义处理。

优选地，所述识别文字文档的装置还包括：

提取单元，用于提取原文档的所有内容或部分内容。

优选地，所述确定单元，具体用于根据提取的原文档的所有内容或部分内容对应的属性以确定所述版面元素；

所述版面元素属于文字属性和版面排版属性。

优选地，自定义处理单元，包括：展示子单元，具用于根据所述预置标签并结合预置展示规则将所述原文档内容进行展示；

存储子单元，用于将所述预置标签对应的预置展示规则进行存储；

所述展示子单元具体包括：

判断模块，用于判断所述版面排版属性是否缺少一个或多个版面元素，若是，则触发第一确定模块；

所述第一确定模块，用于确定与缺少的所述版面元素相对应第一预置展 示规则；

第二确定模块，用于确定其余的第二预置展示规则；

展示模块，用于根据所述预置标签并结合所述第一预置展示规则和所述第二预置展示规则将所述原文档内容进行展示。

从以上技术方案可以看出，本发明实施例具有以下优点：