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。 |