文档处理方法、装置、电子设备及存储介质与流程
本发明涉及文档处理,具体地,涉及一种文档处理方法、文档处理装置、电子设备、存储介质以及计算机程序产品。
背景技术:
1、随着企业机构的数字化推进,电子文档的使用率也越来高,电子文档中所包含的内容也越来越复杂。而在不同的场景下,并非电子文档中的全部内容都是期望获取的内容。故为了可以从复杂的电子文档中提取出想要的信息,需要对其进行相关的处理。
2、现有技术中,通常会提取电子文档的文本内容,然后后续从所提取出的文本内容中确定搜索期望获取的内容。而电子文档的样式多样,除了文本内容之外还会包含非文本内容。在此过程中非文本内容未被准确识别,提取的文本内容并不能完全反映文本内容的全部内容,基于此所搜索的内容并不一定是期望获取的内容,由此影响了所搜索的内容的可靠性。
技术实现思路
1、考虑到上述问题而提出了本发明。
2、根据本发明的第一方面,提供了一种文档处理方法。该方法包括:识别待识别文档,以获得识别结果,其中,所述识别结果包括所述待识别文档中的文本内容和所述文本内容的位置信息,以及所述待识别文档中非文本内容的内容描述文本和所述非文本内容的位置信息;根据检索信息,对所述文本内容和所述非文本内容的内容描述文本进行检索,以确定检索结果,其中,所述检索结果包括与所述检索信息关联的目标信息和所述待识别文档中的、与所述目标信息对应的文档主体内容的位置信息。
3、示例性地,所述待识别文档属于版式文档,所述识别待识别文档,以获得识别结果,包括:对所述待识别文档进行光学字符识别,以提取出所述文本内容,并且确定所述待识别文档中的非文本内容;根据所述非文本内容生成所述内容描述文本;根据所述文本内容和所述内容描述文本,生成所述识别结果。
4、示例性地,所述非文本内容包括图像,所述根据所述非文本内容生成所述内容描述文本,包括:对所述图像进行特征识别,以得到图像特征;根据所述图像特征,生成所述图像的内容描述文本。
5、示例性地,所述非文本内容包括印章,所述根据所述非文本内容生成所述内容描述文本,包括:对所述印章进行字符识别,以提取所述印章中的文本;根据所述印章中的文本,确定所述印章的印章类型;根据所述印章类型和所述印章中的文本,生成所述印章的内容描述文本。
6、示例性地,所述非文本内容包括表格,所述根据所述非文本内容生成所述内容描述文本,包括:对所述表格所在区域进行图像识别,以提取所述表格的单元格的位置和每个单元格内的文本;根据所述单元格的位置和所述每个单元格内的文本,确定结构化数据;根据所述结构化数据,生成所述表格的内容描述文本。
7、示例性地,所述对所述待识别文档进行光学字符识别,以提取出所述文本内容,并且确定所述待识别文档中的非文本内容,包括:利用多个线程对所述待识别文档中的不同页面并行进行光学字符识别,以提取出所述文本内容,并确定所述待识别文档中的非文本内容。
8、示例性地,在所述识别待识别文档之前,所述方法还包括:根据所述待识别文档的标识符,从所缓存的识别结果中检索所述待识别文档的识别结果,其中,所述对所述文本内容和所述非文本内容的内容描述文本进行检索在获取到所述识别结果的情况下执行;
9、所述识别待识别文档,包括:在根据所述标识符未从所缓存的识别结果中检索出所述待识别文档的识别结果的情况下,对所述待识别文档进行识别;
10、所述方法还包括:在根据所述标识符未从所缓存的识别结果中检索出所述待识别文档的识别结果的情况下,对应地缓存所述待识别文档的标识符和对所述待识别文档进行识别后的识别结果。
11、示例性地,所述方法还包括:监控所述识别待识别文档的识别进度;根据所述识别进度,生成并向用户推送提示消息,其中,所述提示消息包括表示已识别页面的数量在所述待识别文档的页面总数量的占比的第一信息。
12、示例性地,所述方法还包括:根据所述识别结果,在所述待识别文档中确定所述文本内容对应的可操作区域块;响应于用户的选取操作,调整所选取的、可操作区域块中的文本内容的色彩样式,以突出显示所选取的文本内容。
13、根据本发明第二方面,还提供了一种文档处理装置,包括:
14、识别模块,用于识别待识别文档,以获得识别结果,其中,所述识别结果包括所述待识别文档中的文本内容和所述文本内容的位置信息,以及所述待识别文档中非文本内容的内容描述文本和所述非文本内容的位置信息;
15、检索模块,用于根据检索信息,对所述文本内容和所述非文本内容的内容描述文本进行检索,以确定检索结果,其中,所述检索结果包括与所述检索信息关联的目标信息和所述待识别文档中的、与所述目标信息对应的文档主体内容的位置信息。
16、根据本发明第三方面,还提供了一种电子设备,包括:处理器和存储器,其中,所述存储器中存储有计算机程序指令,所述计算机程序指令被所述处理器运行时用于执行上述的文档处理方法。
17、根据本发明第四方面,还提供了一种存储介质,在所述存储介质上存储了程序指令,所述程序指令在运行时用于执行上述的文档处理方法。
18、根据本发明第五方面,还提供了一种计算机程序产品,包括计算机程序指令,所述计算机程序指令在运行时用于执行上述的文档处理方法。
19、上述技术方案中,识别待识别文档,以获得识别结果,其中,识别结果包括待识别文档中的文本内容和文本内容的位置信息,以及待识别文档中非文本内容的内容描述文本和非文本内容的位置信息,然后根据检索信息,对文本内容和非文本内容的内容描述文本进行检索,以确定检索结果,其中,检索结果包括与检索信息关联的目标信息和待识别文档中的、与目标信息对应的文档主体内容的位置信息。待识别文档的识别结果包含了文本内容和非文本内容对应的内容描述文本,以及各自在待识别文档中的位置信息,故待识别文档的识别结果较为完整地反映了待识别文档的文档主体内容,根据该识别结果所得到的检索结果可以避免因为待识别文档中的非文本内容未被准确识别而存在的遗漏,可以使得针对待识别文档的检索结果更可靠。
20、上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,而可依照说明书的内容予以实施,并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂,以下特举本发明的具体实施方式。
1.一种文档处理方法,其特征在于,所述方法包括:
2.根据权利要求1所述的方法,其特征在于,所述待识别文档属于版式文档,所述识别待识别文档,以获得识别结果,包括:
3.根据权利要求2所述的方法,其特征在于,所述非文本内容包括图像,所述根据所述非文本内容生成所述内容描述文本,包括:
4.根据权利要求2所述的方法,其特征在于,所述非文本内容包括印章,所述根据所述非文本内容生成所述内容描述文本,包括:
5.根据权利要求2所述的方法,其特征在于,所述非文本内容包括表格,所述根据所述非文本内容生成所述内容描述文本,包括:
6.根据权利要求2所述的方法,其特征在于,所述对所述待识别文档进行光学字符识别,以提取出所述文本内容,并且确定所述待识别文档中的非文本内容,包括:
7.根据权利要求1所述的方法,其特征在于,
8.根据权利要求1所述的方法,其特征在于,所述方法还包括:
9.根据权利要求1所述的方法,其特征在于,所述方法还包括:
10.一种文档处理装置,其特征在于,包括:
11.一种电子设备,包括处理器和存储器,其特征在于,所述存储器中存储有计算机程序指令,所述计算机程序指令被所述处理器运行时用于执行如权利要求1至9任一项所述的文档处理方法。
12.一种存储介质,在所述存储介质上存储了程序指令,其特征在于,所述程序指令在运行时用于执行如权利要求1至9任一项所述的文档处理方法。
13.一种计算机程序产品,包括计算机程序指令,其特征在于,所述计算机程序指令在运行时用于执行如权利要求1至9任一项所述的文档处理方法。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com