文本内容的提取方法、装置及电子设备与流程

摘要: 本发明涉及数据提取,尤其是涉及一种文本内容的提取方法、装置及电子设备。背景技术:1、onenote文件的灵活特性使得它不仅能够保存文本内容,还能嵌套多种格式的数...
文本内容的提取方法、装置及电子设备与流程

本发明涉及数据提取,尤其是涉及一种文本内容的提取方法、装置及电子设备。

背景技术:

1、onenote文件的灵活特性使得它不仅能够保存文本内容,还能嵌套多种格式的数据,如图片、文件、音频等,并支持多次编辑和保存历史版本。这些特点使得onenote十分适合日常的信息整理、交流与分享,因而被广泛使用。然而,随着其应用场景的拓展,文件中包含敏感信息的可能性也在增加。为有效防止这些敏感数据的泄露,数据防护设备需要具备对onenote内容的提取和解析能力,将其中的非结构化内容解构为可审计的文本内容,以便进一步审查潜在的风险信息。

2、目前,针对onenote文件进行种文本内容的提取一般通过一种名为apache tika内容检测和提取工具进行提取,但其具有下述弊端:其一,上述工具在文本提取过程中不能区分文件中用户最新编辑的内容与历史数据,导致提取结果中包含大量旧版本数据,容易引起混淆,并降低了提取效率。其二,不支持提取后的文本内容的排版,导致用户管理识别出的文本内容时存在不便。

3、整体而言,目前针对onenote文件的文本内容的提取方法存在提取效率低以及提取后文本内容管理不便的技术问题。

技术实现思路

1、本发明的目的在于提供一种文本内容的提取方法、装置及电子设备,以缓解目前针对onenote文件的文本内容的提取方法存在提取效率低以及提取后文本内容管理不便的技术问题,通过解析onenote文件的节点数据,精准定位并提取用户最新编辑的文本内容,再按照原文件的内容布局进行排版,从而高效、准确地输出格式化的文本内容,并且便于提取后的文本内容的管理。

2、第一方面,本发明实施例提供了一种文本内容的提取方法,包括:获取待提取文件以及内容提取参数;根据上述内容提取参数,确定上述待提取文件的文件类型;如果上述文件类型为onenote文件,解析上述待提取文件的文件节点数据;根据每个文件节点数据中的文件声明,确定用户最新编辑的目标文件,并提取上述目标文件的文本内容;按照上述目标文件的内容布局,对上述文本内容进行排版,得到排版后的文本内容;输出上述排版后的文本内容。

3、在本发明较佳的实施方式中,根据每个文件节点数据中的文件声明,确定用户最新编辑的目标文件,并提取上述目标文件的文本内容的步骤之后,上述方法包括:关联上述目标文件的嵌套文件;输出上述排版后的文本内容的步骤,包括:输出上述排版后的文本内容以及上述嵌套文件。

4、在本发明较佳的实施方式中,解析上述待提取文件的文件节点数据的步骤,包括:从上述待提取文件的文件根文件节点树开始位置,按深度优先方式逐层次地遍历上述文件根文件节点树的所有文件节点,读取上述文件节点的节点属性;根据上述节点属性,确定上述待提取文件的文件节点数据。

5、在本发明较佳的实施方式中,上述节点属性包括:子结构声明类型节点、文件数据存储列表引用节点、对象空间清单列表引用节点、修订清单列表引用节点、修订清单列表开始节点、根对象引用节点、对象组列表引用节点、对象组中的组id表项节点以及对象声明类型节点;根据上述节点属性,确定上述待提取文件的文件节点数据的步骤,包括:当上述文件节点为上述子结构声明类型节点时,解析上述子结构声明类型节点中子树的子树节点数据;当上述文件节点为上述文件数据存储列表引用节点时,解析上述文件数据存储列表引用节点对应的嵌套文件数据流的保存位置信息;当上述文件节点为上述对象空间清单列表引用节点时,定位上述对象空间清单列表引用节点的对象空间清单列表;当上述文件节点为上述修订清单列表引用节点时,读取上述修订清单列表引用节点的多个修改清单;当上述文件节点为上述修订清单列表开始节点时,解析当前修订清单列表声明内容属于的对象空间编号;当上述文件节点为上述根对象引用节点时,注册当前修订清单信息,保存当前修订清单编号;当上述文件节点为上述对象组列表引用节点时,解析并记录唯一标识对象空间中某个根对象的全局唯一标识符;当上述文件节点为上述对象组中的组id表项节点时,解析该对象组中声明对象的对象组序号和全局唯一标识符的映射表;当上述文件节点为上述对象声明类型节点时,解析上述对象声明类型节点的声明的对象信息。

6、在本发明较佳的实施方式中,关联上述目标文件的嵌套文件的步骤,包括:根据上述嵌套文件数据流的保存位置信息,确定存放上述文件数据存储列表引用节点的列表;根据上述存放上述文件数据存储列表引用节点的列表中的全局唯一标识符以及文件节点块引用的引用结构;根据上述全局唯一标识符上述引用结构,关联上述目标文件的嵌套文件。

7、在本发明较佳的实施方式中,按照上述目标文件的内容布局,对上述文本内容进行排版,得到排版后的文本内容的步骤,包括:按照上述目标文件的内容布局,对上述文本内容进行每页的排版、轮廓排版、轮廓元素排版以及表格排版,得到排版后的文本内容。

8、在本发明较佳的实施方式中,

9、上述对象信息包括:上述对象声明类型节点的节对象;上述节对象的下级对象为页面对象;上述页面对象的下级对象为轮廓对象;上述轮廓对象的子层对象为轮廓元素对象;上述轮廓元素对象的子层对象为表格对象;按照上述目标文件的内容布局,对上述文本内容进行每页的排版、轮廓排版、轮廓元素排版以及表格排版,得到排版后的文本内容的步骤,包括:根据上述节对象,定位到页面系列对象;由上述页面系列对象的图空间子元素节点属性的全局唯一标识符,定位到多个页对象空间;根据每个上述页对象空间的全局唯一标识符,确定上述内容布局的上述页面对象;根据上述页面对象,对上述文本内容进行每页的排版;根据上述轮廓对象的页面边距原点x、上述轮廓对象的页面边距原点y、上述轮廓对象子层的大纲对象的相对于父节点的水平偏移以及上述大纲对象的相对于父节点的垂直偏移,确定上述大纲对象距离页面原点的偏移量;根据上述偏移量,对上述文本内容进行轮廓排版;根据上述轮廓元素对象,对上述文本内容进行轮廓元素排版;根据上述表格对象,对上述文本内容进行表格排版。

10、在本发明较佳的实施方式中,根据上述内容提取参数,确定上述待提取文件的文件类型的步骤之后,上述方法还包括:判断上述待提取文件是否为加密文件;当上述待提取文件为上述加密文件时,输出预设的通知信息。

11、第二方面,本发明实施例提供了一种文本内容的提取装置,包括:获取模块,用于获取待提取文件以及内容提取参数;确定模块,用于根据上述内容提取参数,确定上述待提取文件的文件类型;当上述文件类型为onenote文件时,解析上述待提取文件的文件节点数据;根据每个文件节点数据中的文件声明,确定用户最新编辑的目标文件,并提取上述目标文件的文本内容; 排版模块,用于按照上述目标文件的内容布局,对上述文本内容进行排版,得到排版后的文本内容;输出上述排版后的文本内容。

12、第三方面,本发明实施例还提供了一种电子设备,上述电子设备包括处理器和存储器,上述存储器存储有能够被上述处理器执行的计算机可执行指令,上述处理器执行上述计算机可执行指令以实现上述方法。

13、本发明实施例具有下述有益技术效果:

14、本发明实施例提供了一种文本内容的提取方法、装置及电子设备,包括:获取待提取文件以及内容提取参数;根据上述内容提取参数,确定上述待提取文件的文件类型;如果上述文件类型为onenote文件,解析上述待提取文件的文件节点数据;根据每个文件节点数据中的文件声明,确定用户最新编辑的目标文件,并提取上述目标文件的文本内容;按照上述目标文件的内容布局,对上述文本内容进行排版,得到排版后的文本内容;输出上述排版后的文本内容。该方法通过解析onenote文件的节点数据,精准定位并提取用户最新编辑的文本内容,再按照原文件的内容布局进行排版,从而高效、准确地输出格式化的文本内容,并且便于提取后的文本内容的管理。