文档解析方法及电子设备与流程

摘要: 本申请涉及计算机领域,具体涉及文档解析,更具体地涉及一种文档解析方法及电子设备。背景技术:1、质量智能体指面向产品质量管理场景,综合利用自然语言处理、大语言模型...
文档解析方法及电子设备与流程

本申请涉及计算机领域,具体涉及文档解析,更具体地涉及一种文档解析方法及电子设备。

背景技术:

1、质量智能体指面向产品质量管理场景,综合利用自然语言处理、大语言模型、知识检索、规则判断及任务编排等技术,对检验规范、外观标准、测试 sop、风险清单、问题记录和工艺标准等质量资料进行理解、检索和应用的软件系统。质量智能体可根据用户问题或质量任务,从相关docx文档中查找适用要求,辅助完成标准问答、检验项核对、缺陷判定、风险识别、问题追溯及结果引用等工作。质量智能体所需文档中的信息含义不仅取决于文字本身,还取决于其所在标题层级、前后顺序、表格行列及合并关系、图片与说明文字的对应关系、目录或文本框等内容控件,以及文件名称和页码等定位信息。而目前缺少能够将docx文档进行内容抽取,且保留文档结构信息的文档解析方法。

技术实现思路

1、鉴于上述问题,本申请的实施例提供了文档解析方法及电子设备。

2、根据本申请的第一方面,提供了文档解析方法,包括:获取待解析文档经解压得到的内容文件,待解析文档包括多个内容块,内容文件包括各内容块的段落标记文本,段落标记文本包括至少一个类型标签;根据各个段落标记文本的类型标签,从各段落标记文本中得到各个内容块的文档内容;根据段落标记文本,得到多个内容块的顺序信息;顺序信息表示各个内容块之间的顺序关系;基于待解析文档中每页的第一字数、各个内容块的第二字数以及多个内容块的顺序信息,得到各个内容块的文档页码;所述第一字数通过对只读格式文档中各页进行字数统计得到,所述只读格式文档通过对待解析文档进行格式转换得到,第二字数为内容块的文档内容的字数;根据各个内容块的文档内容、顺序信息、文档页码,确定针对待解析文档的文档解析结果。

3、根据本申请的实施例,文档解析结果包括各内容块的键值对文本,键值对文本包括多个字段以及各字段的值;多个字段包括内容字段、序列编号字段、页码字段、内容类型字段以及目标层级字段;内容字段、序列编号字段、页码字段的值分别为文档内容、顺序信息、文档页码;内容类型的值是根据各个段落标记文本的类型标签确定的。

4、根据本申请的实施例,多个字段还包括目标层级字段,段落标记文本包括内容块的样式标识;方法还包括:获取待解析文档的样式文件,样式文件包括待解析文档 的样式布局信息 ;根据各个内容块的样式标识,从样式布局信息中确定各个内容块的目标层级信息;目标层级字段的值为目标层级信息。

5、根据本申请的实施例,类型标签包括图像标签、文本标签、表格标签和结构化标签中至少之一;根据各个段落标记文本的类型标签,从各段落标记文本中得到各个内容块的文档内容包括以下至少之一:在段落标记文本的类型标签为文本标签的情况下,从段落标记文本中,抽取文本开始标签与文本结束标签之间的内容,作为文档内容;在段落标记文本的类型标签为图像标签的情况下,根据图像标签,从段落标记文本中确定图像信息;基于图像信息,从文档依赖文件中确定目标图像地址,作为文档内容;文档依赖文件包括待解析文档中图像的地址。

6、根据本申请的实施例,根据各个段落标记文本的类型标签,从各段落标记文本中得到各个内容块的文档内容包括:在内容块的段落标记文本的类型标签为表格标签的情况下,根据表格标签,依次从段落标记文本中确定内容块中多个单元格的单元格信息,单元格信息包括单元格的所在行编号、所在列编号以及单元格内容;单元格内容基于单元格标签从段落标记文本中确定;根据各单元格的所在行编号、所在列编号以及单元格内容,确定内容块中多个合并子表的行编号区间和列编号区间;合并子表包含至少一个单元格,且合并子表包含的各单元格的单元格内容相同;根据内容块中各个合并子表的行编号区间、列编号区间以及包含的单元格的单元格内容,确定内容块的文档内容。

7、根据本申请的实施例,根据各个段落标记文本的类型标签,从各段落标记文本中得到各个内容块的文档内容包括:在段落标记文本的类型标签为结构化标签的情况下,将内容块作为根内容块;在段落标记文本中包括非结构化标签的情况下,根据非结构化标签,确定根内容块的第一文档内容;非结构化标签为图像标签、文本标签或表格标签;在段落标记文本还包括除类型标签之外的m级结构化标签的情况下,根据m级结构化标签,确定第二文档内容,m为大于或等于1的整数。

8、根据本申请的实施例,根据m级结构化标签,确定第二文档内容包括:根据结构化标签,从段落标记文本中中确定第1级标记文本片段;根据m级结构化标签中第m级结构化标签,从第m-1级标记文本片段中确定第m级标记文本片段;m=2,……m;在第m级标记文本片段中包含非结构化标签的情况下,根据第m级标记文本片段包含的非结构化标签,从第m级标记文本片段确定第二文档内容中第m级内容片段。

9、根据本申请的实施例,基于待解析文档中每页的第一字数、各个内容块的第二字数以及多个内容块的顺序信息,得到各个内容块的文档页码包括:基于待解析文档各页面的第一字数,确定各页面文字的第一起始索引和第一结束索引; 根据顺序信息,确定各个内容块的序列编号;根据各个内容块的序列编号和内容块的第二字数,确定各个内容块文字的第二起始索引和第二结束索引;将待解析文档的多个页面中首次满足页码匹配条件的页面,确定为内容块的目标页面,页码匹配条件为第二起始索引小于或等于第一结束索引,且第二结束索引大于或等于第一起始索引;根据所在的页编号,作为各内容块的文档页码。

10、根据本申请的实施例,根据各个内容块的样式标识,从样式布局信息中确定各个内容块的目标层级信息 包括:根据样式起始标签和样式结束标签,从样式文件中确定多个样式节点块的样式信息;样式节点块的样式信息组成样式布局信息;根据样式编号标签和层级编号标签,从多个样式信息中匹配多个样式节点块的样式编号和层级编号;根据内容块样式标签,从各个内容块的段落标记文本中,匹配各个内容块的内容块样式编号;根据各个内容块的内容块样式编号,从多个样式节点块中确定目标样式节点块;将目标样式节点块的层级编号作为各个内容块的目标层级信息。

11、根据本申请的第二方面,提供了一种电子设备,包括:一个或多个处理器;存储器,用于存储一个或多个计算机程序,其中,上述一个或多个处理器执行上述一个或多个计算机程序以实现上述方法的步骤。

12、本申请实施例提供的文档解析方法,与相关技术相比至少具有以下有益效果:

13、本申请通过段落标记文本的类型标签识别各内容块文档内容,根据段落标记文本确定内容块顺序信息,并结合页面字数与内容块字数精准匹配各内容块对应文档页码,同时结合文档样式文件解析内容块层级信息,最终生成包含多维度标准化字段的键值对结构化解析结果。从而适配为质量智能体的数据调用、智能检索、智能分析、风险预判等业务提供可解析的数据格式,提升了笔记本电脑质量文档资源的复用效率,降低了人工整理成本与误差。

1.一种文档解析方法,其特征在于,所述方法包括:

2.根据权利要求1所述的文档解析方法,其特征在于,所述文档解析结果包括各内容块的键值对文本,所述键值对文本包括多个字段以及各字段的值;

3.根据权利要求2所述的文档解析方法,其特征在于,所述多个字段还包括目标层级字段,所述段落标记文本包括所述内容块的样式标识;

4.根据权利要求1所述的文档解析方法,其特征在于,所述类型标签包括图像标签、文本标签、表格标签和结构化标签中至少之一;

5.根据权利要求4所述的文档解析方法,其特征在于,所述根据各个段落标记文本的类型标签,从各段落标记文本中得到各个内容块的文档内容包括:

6.根据权利要求3所述的文档解析方法,其特征在于,所述根据各个段落标记文本的类型标签,从各段落标记文本中得到各个内容块的文档内容包括:

7.根据权利要求6所述的文档解析方法,其特征在于, 所述根据所述m级结构化标签,确定第二文档内容包括:

8.根据权利要求1所述的文档解析方法,其特征在于,基于待解析文档中每页的第一字数、各个内容块的第二字数以及多个内容块的顺序信息,得到各个内容块的文档页码包括:

9.根据权利要求3所述的文档解析方法,其特征在于,所述根据各个内容块的样式标识,从所述样式布局信息中确定各个内容块的目标层级信息 包括:

10.一种电子设备,包括: