[发明专利]一种从表格中抽取信息的方法及装置

说明书

本申请实施例提供了一种从表格中抽取信息的方法及装置，能够解析网页源代码，根据网页源代码中的表格标签提取网页中的表格代码；根据表格代码中的单元格跨行属性值和跨列属性值将合并单元格分解为多个单元格；获取表头单元格和对应的表头类别；根据表格中的非表头单元格相对于表头单元格的位置关系，确定非表头单元格的领属表头单元格；根据非表头单元格与领属表头单元格的对应关系，以及对应的表头类别的输出规则，抽取并输出表头单元格和非表头单元格中的内容。本申请实施例提供的技术方案不需要人工手动参与信息抽取，本领域技术人员只需要配置一次输出规则，就可以自动从大量的网页表格中抽取有价值的信息，因此提高了信息抽取效率。

技术领域

本申请涉及自然语言处理技术领域，尤其涉及一种从表格中抽取信息的方法及装置。

背景技术

在网页、电子文档等信息展示方式中，一些信息会以表格的方式展示。表格一般由属性名(表头)和属性值组成，表格的每一行或者每一列数据通常具有较高的数据相似性、一致的数据范围和其他共有的数据特征，因此，与纯文本的数据展示方式相比，表格中展示的数据通常是结构性较强的数据。

在社会生产中，表格通常被用于部门、机构或企业等公示行业数据使用，例如：招标企业在进行项目招投标时，会在公示网站中使用表格展示招标公告、中标结果等信息，这些信息对于投标企业和行业内的其他企业通常具有使用价值，因此，投标企业通常需求从这些表格中获取有价值的信息，然而，对于企业而言，互联网中通常包含大量以表格展示的有价值信息，如果通过人工浏览的方式从表格中获取信息，工作量会非常巨大，并且效率不高。

发明内容

本申请实施例提供了一种从表格中抽取信息的方法及装置，以解决现有技术从表格中获取信息时，工作量巨大并且效率不高的问题。

第一方面，本申请实施例提供了一种从表格中抽取信息的方法。该方法包括：解析网页源代码，根据网页源代码中的表格标签提取网页中的表格代码；根据所述表格代码中的单元格跨行属性值和跨列属性值分析表格是否包含跨越多行或多列的合并单元格，若包含，将所述合并单元格分解为多个单元格；对表格中的每个单元格进行规则分析，以获取表头单元格和对应的表头类别；根据表格中的非表头单元格相对于表头单元格的位置关系，确定非表头单元格的领属表头单元格；根据非表头单元格与领属表头单元格的对应关系，以及对应的表头类别的输出规则，抽取并输出表头单元格和非表头单元格中的内容。

第二方面，本申请实施例提供了一种从表格中抽取信息的装置。该装置包括：解析模块，用于解析网页源代码，根据网页源代码中的表格标签提取网页中的表格代码；表格处理模块，用于根据所述表格代码中的单元格跨行属性值和跨列属性值分析表格是否包含跨越多行或多列的合并单元格，若包含，将所述合并单元格分解为多个单元格；表头分析模块，用于对表格的每个单元格进行规则分析，以获取表头单元格和对应的表头类别；领属关系分析模块，用于根据表格中的非表头单元格相对于表头单元格的位置关系，确定非表头单元格的领属表头单元格；抽取模块，用于根据非表头单元格与领属表头单元格的对应关系，以及对应的表头类别的输出规则，抽取并输出表头单元格和非表头单元格中的内容。

本申请实施例提供的技术方案，能够解析网页源代码，根据网页源代码中的表格标签提取网页中的表格代码；根据表格代码中的单元格跨行属性值和跨列属性值分析表格是否包含跨越多行或多列的合并单元格，若包含，将合并单元格分解为多个单元格；对表格中的每个单元格进行规则分析，以获取表头单元格和对应的表头类别；根据表格中的非表头单元格相对于表头单元格的位置关系，确定非表头单元格的领属表头单元格；根据非表头单元格与领属表头单元格的对应关系，以及对应的表头类别的输出规则，抽取并输出表头单元格和非表头单元格中的内容。与现有技术相比，本申请实施例提供的技术方案不需要人工手动参与信息抽取，本领域技术人员只需要配置一次输出规则，就可以自动从大量的网页表格中抽取有价值的信息，因此提高了信息抽取效率。

附图说明