[发明专利]应用于大数据分析中的文档解析处理方法、系统及装置

权利要求书

1.应用于大数据分析中的文档解析处理方法，其特征在于：该方法包括以下步骤：

构建财务指标的正则表达式规则；

获取财务报表的起始特征指标和结束特征指标；

利用财务指标的正则表达式规则、起始特征指标和结束特征指标，对不同格式的文档进行财务报表的定位处理；

对财务报表内的数据进行定位处理后，记录财务数据以及与财务数据对应的指标名称和时间；

对属于数值型的数据进行单位换算后，记录换算后得到的数据；

所述构建财务指标的正则表达式规则这一步骤，具体包括以下步骤：

获取标准名称库，所述标准名称库中存储有财务指标的标准名称；

构建实际名称库，所述实际名称库中存储有从文档中提取得到的财务指标的实际名称；

建立实际名称库中的实际名称与标准名称库中的标准名称之间的名称映射关系；

根据名称映射关系，构建财务指标的正则表达式规则。

2.根据权利要求1所述应用于大数据分析中的文档解析处理方法，其特征在于：所述获取财务报表的起始特征指标和结束特征指标这一步骤，其具体包括：抽取多个包含财务报表的文档；

对每一个文档中的财务报表的起始内容进行指标提取，然后，根据提取出的指标的出现频次，按照从大到小的顺序，对指标进行排序，选取前m1个指标构建得到起始特征指标列表；

对每一个文档中的财务报表的结束内容进行指标提取，然后，根据提取出的指标的出现频次，按照从大到小的顺序，对指标进行排序，选取前m2个指标构建得到结束特征指标列表。

3.根据权利要求2所述应用于大数据分析中的文档解析处理方法，其特征在于：所述利用财务指标的正则表达式规则、起始特征指标和结束特征指标，对不同格式的文档进行财务报表的定位处理这一步骤，其具体包括：

根据财务报表表格出现的先后次序，为文档中的每一个财务报表表格配置对应的ID；

利用财务指标的正则表达式规则、起始特征指标和结束特征指标，对文档中的每一个财务报表表格进行解析判断，从而定位得出起始表格和结束表格，其中，所述起始表格指的是处于财务报表起始位置的财务报表表格，所述结束表格指的是处于财务报表结束位置的财务报表表格；

根据起始表格的ID和结束表格的ID，将起始表格的ID和结束表格的ID之间的所有ID所对应的财务报表表格中的数据，均标记为对应财务报表类型的财务数据。

4.根据权利要求3所述应用于大数据分析中的文档解析处理方法，其特征在于：所述利用财务指标的正则表达式规则、起始特征指标和结束特征指标，对文档中的每一个财务报表表格进行解析判断，从而定位得出起始表格和结束表格这一步骤，其具体包括：

当表格的起始标志为假值时，利用财务指标的正则表达式规则，从当前的财务报表表格的起始内容中识别提取出n1个指标，然后，将识别提取出的n1个指标与起始特征指标列表中的指标进行匹配后，得到第一匹配率，接着，当第一匹配率大于第一阈值时，则判定当前的财务报表表格为起始表格；

当表格的起始标志为真值时，利用财务指标的正则表达式规则，从当前的财务报表表格的结束内容中识别提取出n2个指标，然后，将识别提取出的n2个指标与结束特征指标列表中的指标进行匹配后，得到第二匹配率，接着，当第二匹配率大于第二阈值时，则判定当前的财务报表表格为结束表格；

其中，n1m1，n2m2。

5.根据权利要求1-4任一项所述应用于大数据分析中的文档解析处理方法，其特征在于：所述对财务报表内的数据进行定位处理后，记录财务数据以及与财务数据对应的指标名称和时间这一步骤，其具体包括：

建立财务报表表格中的数据所对应的指标名称与所在行数之间的第一映射关系；

建立财务报表表格中的数据所对应的时间信息与所在列数之间的第二映射关系；

利用财务报表表格中的数据所对应的行列数、第一映射关系及第二映射关系，记录财务数据以及与财务数据对应的指标名称和时间。