[发明专利]一种文件检测方法及其装置

说明书

技术领域

本发明涉及一种文件检测方法及其装置。

背景技术

随着市场经济的发展和金融体制改革的逐步深化，防范金融市场产生系统性风险已经逐渐成为市场参与各方的共识。由监管机构对市场进行监管则是防范风险的一种重要手段。

具体到债务市场，当非金融企业在进行债务融资工具时，必须按照监管机构的要求披露必要的经营信息。目前的处理流程是，非金融企业必须首先向监管机构提交各类信息披露文件，由监管机构的工作人员对各类文件进行审核，判断其是否满足了规定的披露要求。只有满足要求之后，才会进行下一步流程。

由于PDF格式的文档在不同的软硬件平台有一致的显示效果，企业提交的这些信息披露文件的格式一般都为PDF。除了格式之外，监管机构对信息披露文件的内容也有严格的要求，PDF的章节结构必须依照规定设计，对应章节的内容也必须覆盖到监管机构规定的披露内容。

随着企业的债务融资需求日益增长，监管机构的审核人员也必须随之增加。但是每个监管机构的人员是有上限的，为了解决这个矛盾，急需引入一种自动化方法来检查企业发行债券的申请文件是否合规，来协助工作人员审核文件，提高审核效率。

发明内容

为克服现有技术问题，本发明提供一种文件检测方法及其装置。

一种文件检测方法，包括：

S1：通过解析二进制指令，将PDF文件的内容解析为带标记的文本、表格和图片，同时记录文字的字体和字号信息，表格和图片的位置信息；

S2：根据解析后的文档的字号大小得到相应章节的层级，根据章节层级的高低，建立文档章节树；

S3：根据监管机构要求披露的信息建立规则执行库；

S4：根据监管机构要求披露的信息的章节建立根节点及子节点，并根据相应节点下的规则执行库的信息建立文档规则树；

S5：将文档规则树与文档章节树进行匹配，对文本内容按照相应的规则树下的根节点及子节点的规则执行库进行比对；

S6：输出文档中与规则执行库不符的内容。

优选的是，解析二进制指令时通过PDF文件内的指令流解析出相应的文本、表格和图片。

优选的是，解析二进制指令时根据PDF文件的线条位置解析相应的表格结构并将表格的内容存储为二维数组同时记录表格在文档中的位置。

优选的是，解析二进制指令时将PDF文件内的图片单独存储，并在相应的文档上标记引用相应图片的指令。

优选的是，在文档规则树与文档章节树进行匹配时，首先检测根节点是否匹配，然后检测子节点是否匹配；

所述子节点下包括该子节点的下一级子节点时，将下一级的子节点作为输入信息与文档规则树进行匹配。

优选的是，I1在对比时，输入两个同级别节点，其中一个为文档章节树节点，另一个为

规则树节点；

I2判断文档章节树节点和规则树节点是否匹配，如果匹配，标记章节树节点为匹配节点；如果不匹配，标记章节树的节点为不匹配节点；

I3如果文档章节树节点和规则树节点有子节点，则该子节点仍为同级别节点，将所有子节点成对依次作为输入，转入步骤I1；如果没有，进入步骤I4；

I4输出检查结果。

本发明同时提供一种文件检测装置，包括：

文件解析单元，所述文件解析单元通过解析二进制指令，将PDF文件的内容解析为带标记的文本、表格和图片，同时记录文字的字体和字号信息，表格和图片的位置信息；

文档章节树配置单元，所述文档章节树配置单元用于根据解析后的文档的字号大小得到相应章节的层级，根据层级的高低配置章节的层级根节点及子节点，建立文档章节树；

规则执行库单元，所述规则执行库单元根据监管机构要求披露的信息建立；

文档规则树单元，所述文档规则树单元根据监管机构要求披露的信息的章节建立根节点及子节点，并根据相应节点下的规则执行库的信息建立文档规则树；

比较单元，所述比较单元用于将文档规则树与文档章节树进行匹配，对文本内容按照相应的规则树下的根节点及子节点的规则执行库进行比对；

输出单元，所述输出单元用于输出文档中与规则执行库单元不符的内容。

优选的是，所述文件解析单元在解析二进制指令时：

通过PDF文件内的指令流解析出相应的文本、表格和图片；

根据PDF文件的线条位置解析相应的表格结构并将表格的内容存储为二维数组同时记录表格在文档中的位置；