一種連續(xù)頁版式文檔結構化信息提取方法

基本信息

申請?zhí)?/td> CN201910742447.9 申請日 -
公開（公告）號 CN110704570A 公開（公告）日 2020-01-17
申請公布號 CN110704570A 申請公布日 2020-01-17
分類號 G06F16/31;G06F40/279;G06F40/258;G06F40/205 分類 計算；推算；計數(shù);
發(fā)明人 徐劍波;張詩玉;王磊;趙東巖 申請（專利權）人 北京眾信博雅科技有限公司
代理機構 - 代理人 -
地址 100000 北京市海淀區(qū)西三旗安寧莊路4號9號樓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)頁版式文檔的結構化方法，本發(fā)明所述的方法，通過逐頁提取連續(xù)頁版式文檔中的文字、字體、字號、位置等信息，通過預處理識別并去除頁眉頁腳，識別并切分腳注，再把剩下的多頁正文內(nèi)容及腳注內(nèi)容分別合并成一個虛擬頁，再對虛擬頁進行版面分析，合并文本塊，進行分欄及表格處理，生成文本塊表，再利用文本塊表的編號、字體字號、對齊等特性按規(guī)則進行大綱提取，從而還原整個文件的邏輯結構。采用本發(fā)明所述的方法，可以有效去除頁眉頁腳、腳注等干擾文本，保證分欄的閱讀順序，極大提高文本的結構化正確性，降低人工糾正的工作量，提高效率。