一種連續(xù)頁(yè)版式文檔結(jié)構(gòu)化信息提取方法

基本信息

申請(qǐng)?zhí)?/td> CN201910742447.9 申請(qǐng)日 -
公開(kāi)（公告）號(hào) CN110704570A 公開(kāi)（公告）日 2020-01-17
申請(qǐng)公布號(hào) CN110704570A 申請(qǐng)公布日 2020-01-17
分類(lèi)號(hào) G06F16/31;G06F40/279;G06F40/258;G06F40/205 分類(lèi) 計(jì)算；推算；計(jì)數(shù);
發(fā)明人 徐劍波;張?jiān)娪?王磊;趙東巖 申請(qǐng)（專(zhuān)利權(quán)）人 北京眾信博雅科技有限公司
代理機(jī)構(gòu) - 代理人 -
地址 100000 北京市海淀區(qū)西三旗安寧莊路4號(hào)9號(hào)樓4層0996
法律狀態(tài) -

摘要

摘要 本發(fā)明涉及本發(fā)明涉及一種連續(xù)頁(yè)版式文檔的結(jié)構(gòu)化方法，本發(fā)明所述的方法，通過(guò)逐頁(yè)提取連續(xù)頁(yè)版式文檔中的文字、字體、字號(hào)、位置等信息，通過(guò)預(yù)處理識(shí)別并去除頁(yè)眉頁(yè)腳，識(shí)別并切分腳注，再把剩下的多頁(yè)正文內(nèi)容及腳注內(nèi)容分別合并成一個(gè)虛擬頁(yè)，再對(duì)虛擬頁(yè)進(jìn)行版面分析，合并文本塊，進(jìn)行分欄及表格處理，生成文本塊表，再利用文本塊表的編號(hào)、字體字號(hào)、對(duì)齊等特性按規(guī)則進(jìn)行大綱提取，從而還原整個(gè)文件的邏輯結(jié)構(gòu)。采用本發(fā)明所述的方法，可以有效去除頁(yè)眉頁(yè)腳、腳注等干擾文本，保證分欄的閱讀順序，極大提高文本的結(jié)構(gòu)化正確性，降低人工糾正的工作量，提高效率。