[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

说明书

本发明公开了一种电子文档信息的数据提取方法，首先从获取的电子文档信息中提取文本的正文内容；然后对提取的正文内容进行预处理，转换为标准化的文本内容，并对其划分为多个短句；根据配置文件对每个短句依据关键字依次进行主题匹配、属性名匹配以及属性值匹配，得出电子文档信息中的属性名以及对应的属性值，实现了电子文档信息中的信息抽取，解决了现有技术中数据抽取的效果低下等的问题。本发明还公开了一种电子设备和存储介质。

技术领域

本发明涉及文本信息处理，尤其涉及一种电子文档信息的数据提取方法、电子设备及存储介质。

背景技术

文本信息抽取，是模式识别和人工智能中的一个重要课题，是从自然语言文本中抽取指定类型的实体、关系、时间等事实信息并形成结构化数据输出的文本处理技术。这种抽取不仅仅是简单的信息检索，除了利用统计及关键词匹配技术外，还可以利用自然语言分析技术对文本中的句子及篇章进行分类、归纳、分析，并最终形成格式化的信息。

随着知识爆炸时代的到来，特别是互联网的广泛普及，语言信息处理的社会，需求越来越大，人们迫切需要用自动化的手段处理海量的语言信息。然而，由于学科理论发展的局限和汉语本身的复杂性，目前我国计算机语言学理论和方法的研究还不能为开发汉语信息处理应用系统提供足够的支持。目前，主要的信息抽取方法有：基于词典的抽取模型，基于规则的抽取模型，基于隐马尔科夫模型的抽取模型等等，但是这种抽取模型均是针对一些关键词的抽取。然而在实际应用过程中，汉语不像英语等语种一样，词语之间有特定的分割符，往往在处理汉语时，需要处理的是整个文本信息，比如一个句子或段落等，目前来说，并没有一种能够对汉语文本信息进行有效的信息抽取的处理手段。

发明内容

为了克服现有技术的不足，本发明的目的之一在于提供一种电子文档信息的数据提取方法，其能够解决现有技术中对海量数据抽取的效率低下等的问题。

本发明的目的之二在于提供一种电子设备，其能够解决现有技术中对海量数据抽取的效率低下等的问题。

本发明的目的之三在于提供一种计算机可读存储介质，其能够解决现有技术中对海量数据抽取的效率低下等的问题。

本发明的目的之一采用如下技术方案实现：

一种电子文档信息的数据提取方法，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。

进一步地，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。

进一步地，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。