[发明专利]用于提取文本的结构化信息的方法、装置、设备及介质

权利要求书

1.一种用于提取文本的结构化信息的方法，包括：

对图片格式的第一文件进行图像处理和光学字符识别，得到各文本块的第一文本；

将所述第一文件转换为可标记语言格式的第二文件，并从所述第二文件中提取得到各所述文本块的坐标信息和第二文本；

利用各所述文本块的第一文本和第二文本进行相互纠错，得到各所述文本块的第三文本；

根据所述坐标信息确定呈左右排列的左文本块和右文本块，并将所述左文本块和所述右文本块中的第三文本按左右结构保存；

根据所述坐标信息确定呈上下排序的上文本块和下文本块，并将所述上文本块和所述下文本块中的第三文本按上下结构保存；

将按所述左右结构和所述上下结构保存的第三文本均按照键值对的形式进行格式转换，并将以键值对形式保存的第三文本作为目标结构化信息；

还包括：获取各所述文本块的第三文本的形态信息；其中，所述形态信息包括字形大小、字符排序、特殊符号位置、特殊符号前后字符、是否为粗体中的至少一项；

根据所述形态信息确定其中各文本字符之间的层级关系；

根据所述层级关系确定各所述文本块的第三文本之间的层级结构信息。

2.根据权利要求1所述的方法，其中，对图片格式的第一文件进行图像处理和光学字符识别，得到与各文本块对应的第一文本，包括：

识别并涂白图片格式的第一文件中的表格部分；

对所述第一文件中的非表格部分依次进行语义分割和光学字符识别操作，得到第一文本。

3.根据权利要求1或2所述的方法，还包括：

根据所述目标结构化信息构建知识图谱。

4.一种用于提取文本的结构化信息的装置，包括：

第一文本获取单元，被配置成对图片格式的第一文件进行图像处理和光学字符识别，得到各文本块的第一文本；

坐标信息及第二文本获取单元，被配置成将所述第一文件转换为可标记语言格式的第二文件，并从所述第二文件中提取得到各所述文本块的坐标信息和第二文本；

文本纠错单元，被配置成利用各所述文本块的第一文本和第二文本进行相互纠错，得到各所述文本块的第三文本；

结构化信息提取单元，被配置成根据所述坐标信息确定呈左右排列的左文本块和右文本块，并将所述左文本块和所述右文本块中的第三文本按左右结构保存；根据所述坐标信息确定呈上下排序的上文本块和下文本块，并将所述上文本块和所述下文本块中的第三文本按上下结构保存；将按所述左右结构和所述上下结构保存的第三文本均按照键值对的形式进行格式转换，并将以键值对形式保存的第三文本作为目标结构化信息；

形态信息获取单元，被配置成获取各所述文本块的第三文本的形态信息；其中，所述形态信息包括字形大小、字符排序、特殊符号位置、特殊符号前后字符、是否为粗体中的至少一项；

层级关系确定单元，被配置成根据所述形态信息确定其中各文本字符之间的层级关系；

层级结构关系确定单元，被配置成根据所述层级关系确定各所述文本块的第三文本之间的层级结构信息。

5.根据权利要求4所述的装置，其中，所述第二文本获取单元进一步被配置成：

识别并涂白图片格式的第一文件中的表格部分；

对所述第一文件中的非表格部分依次进行语义分割和光学字符识别操作，得到第一文本。

6.根据权利要求4或5所述的装置，还包括：

知识图谱构建单元，被配置成根据所述目标结构化信息构建知识图谱。

7.一种电子设备，包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-3中任一项所述的用于提取文本的结构化信息的方法。

8.一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行权利要求1-3中任一项所述的用于提取文本的结构化信息的方法。