[发明专利]提取文档中内容的方法和装置

说明书

技术领域

本发明涉及数字排版领域，具体而言，涉及一种提取文档中内容的方法和装置。

背景技术

在教育体系中，随着计算机、互联网的发展，越来越多的教育形式通过网络和电子形式应用到用户，用户可以足不出户，就可体验到网络的教学，如学习各类课程、在线测试等。

互联网的教育体系，为满足大量用户通过计算机连接互联网，并可进行在线测试。需要制作电子试题库，电子试题库内存储大量的电子试题，这些电子试题文档录入以后，用户可通过互联网进行在线测试，但一套试题经过使用后，就不在有保密性，需要修改试题。试题的修改都是在部分修改，以提高试题的重复利用及制作的效率。

试题文档通常存储在数据库中，对于当前海量的非结构化试题，现有的录入过程，是通过用户使用计算机录入试题。

发明人发现，试题的数据量比较多，由于非结构化的试题文件只能采用人工录入的方式录入，由于存在无法将数据文档实现结构化录入的问题，导致在录入过程、以及后续的提取、修改试题的部分内容困难，用户存在录入时间长、后期修改过程复杂。

发明内容

本发明旨在提供一种提取文档中内容的方法和装置，以解决无法将数据文档实现结构化录入的问题。

在本发明的实施例中，提供了一种提取文档中内容的方法。包括：遍历多个正则表达式以匹配试题文档中的字符；匹配到与当前所述正则表达式中的字符串相同的字符后，提取所述字符之后至与下一个所述正则表达式中字符串相匹配的字符之前的字符；存储所述提取的字符和所述当前正则表达式相对应类别的信息。

进一步地，所述提取之前，还包括：建立匹配表，所述匹配表中存储有所述各个正则表达式及其相对应类别的信息。

进一步地，所述类别的信息包括以下至少一个：题目、题干、答案、解析或选项。

进一步地，所述存储之前包括：在所述类别的信息之间建立从属关系。

进一步地，所述存储的过程包括：将所述题目作为父节点存储，同时存储对应的标识、及提取的字符；将所述题干、答案、选项、解析中的至少一个作为子节点，并存储所述子节点对应的标识、其对应提取的字符、及其父节点标识。

进一步地，所述父节点、相关联的子节点、及其对应标识和提取的字符作为一条记录，所述记录存储到数据库中。

进一步地，还包括：在所述存储过程中，将音频、视频或图片作为主节点的属性数据一同存储。

在本发明的实施例中，还提供了一种提取文档中内容的装置，包括：匹配单元，用于遍历多个正则表达式以匹配试题文档中的字符；提取单元，用于匹配到与当前所述正则表达式中的字符串相同的字符后，提取所述字符之后至与下一个所述正则表达式中字符串相匹配的字符之前的字符；存储单元，用于存储所述提取的字符和所述当前正则表达式相对应类别的信息。

进一步地，节点关系单元，用于通过存储单元将所述题目作为父节点存储，同时存储对应的标识、及提取的字符；将所述题干、答案、选项、解析中的至少一个作为子节点，并存储所述子节点对应的标识、其对应提取的字符、及其父节点标识。

进一步地，属性单元，用于在所述存储过程中，将音频、视频或图片作为主节点的属性数据一同存储。

从以上的描述中可以看出，本发明上述的实施例实现了如下技术效果：可快速将试题类文档结构化，并提取各部分内容存入数据库中。从而便于试题类文档的后续的修改、试题产品的制作等。提高了试题的再利用率，结构化的数据采用XML格式，对题干、选项、答案线、答案、解析等进行详细划分，这样对这些试题提取或者组卷的时候可以任意的组合、修改、样式套用。在不改变原有文件内容的情况下，打破了以往按照固定结构进行数据录入的模式。另外，可以随时选择试题进行多渠道的发布。比如试卷打印，教材出版，网页展示，手机阅读等。不论纸面出版还是各种电子设备和浏览器需要的数据格式都是不同的。发布的内容也可有多种形式，可满足考生和教师的试卷不完全相同的，教师的试卷中带有试题的答案和解析。

附图说明

此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1示出了实施例一的流程图；

图2示出了实施例二的流程图；

图3示出了实施例二中存储过程的流程图；

图4示出了实施例三的装置结构框图。

具体实施方式

下面将参考附图并结合实施例，来详细说明本发明。