[发明专利]一种电子文档信息的数据提取方法、电子设备及存储介质

权利要求书

1.一种电子文档信息的数据提取方法，其特征在于：包括以下步骤：

配置文件生成步骤：根据业务需求设定配置文件；其中，业务需求定义了待抽取信息；

获取步骤：从获取的电子文档信息中提取文本的正文内容；

预处理步骤：对提取的正文内容进行预处理，并将其转换为标准化的文本内容；

短句划分步骤：根据短句划分规则将标准化的文本内容划分为多个短句；匹配步骤：根据配置文件对每个短句依据关键字匹配算法依次进行主题匹配、属性名匹配以及属性值匹配，得出每个属性名对应的属性值；

结果判断步骤：对每个属性名的属性值进行判断其是否符合业务需求，并根据判断结果得出抽取的一个或多个属性；其中，属性包括一个属性名和一个属性值。

2.根据权利要求1所述一种电子文档信息的数据提取方法，其特征在于：还包括：归一化步骤：根据业务需求将属性名以及属性值进行归一化处理，并以数据表字段的形式存储于对应数据表中。

3.根据权利要求1所述一种电子文档信息的数据提取方法，其特征在于：所述匹配步骤具体包括：

步骤S1：从配置文件中得出与待抽取信息相关的主题，然后对每个短句根据关键字匹配法匹配得出与主题相关的所有短句；

步骤S2：从配置文件得出与主题相关的属性名，并根据关键字匹配法对与主题相关的每个短句进行匹配得出每个属性名对应的短句；

步骤S3：根据每个属性名对应的短句从上下文信息中提取出每个属性名所对应的一个或多个属性值。

4.根据权利要求3所述一种电子文档信息的数据提取方法，其特征在于：在属性值匹配时，还根据预设规则计算得出每个属性名得出的每个属性值的可信度，然后根据可信度对每个属性名所对应的一个或多个属性值进行筛选。

5.根据权利要求1所述一种电子文档信息的数据提取方法，其特征在于：所述预处理步骤具体包括：首先将正文内容中用于布局的标签去除，然后将正文内容转换为Markdown文本，最后对Markdown文本转换为纯文本。

6.根据权利要求1所述一种电子文档信息的数据提取方法，其特征在于：当正文内容包括数据表格时，在转换为标准格式化的纯文本之前还包括：首先对正文内容中的所有的数据表格进行编号；然后在每个数据表格的开始标签和结束标签前后加上特定的标识符，并为对应数据表格创建Table对象，将每个数据表格的特定标识符、Table对象与对应数据表格的编号进行关联。

7.根据权利要求1所述一种电子文档信息的数据提取方法，其特征在于：划分短句步骤之前还包括：首先根据配置文件确认需要抽取的信息的主题，并根据主题将正文内容划分为多个段落；然后根据区块特征将正文内容划分为多个区块；其中，区块特征包括：标题代表一个区块，空白行、分隔线为一个区块的结束和数据表格的结束为一个区块的结束。

8.根据权利要求1所述电子文档信息的数据提取方法，其特征在于：所述短句划分步骤为：根据短句分隔符将正文内容划分为多个短句；其中，短句分隔符包括句号、逗号和冒号。

9.一种电子设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，其特征在于：所述处理器执行所述程序时实现如权利要求1-8中任一项所述一种电子文档信息的数据提取方法的步骤。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于：所述计算机程序被处理器执行时实现如权利要求1-8中任一项所述一种电子文档信息的数据提取方法的步骤。