[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

说明书

本申请实施例公开了一种用于提取文本的结构化信息的方法、装置、电子设备及计算机可读存储介质，涉及图像中文字识别、自然语言处理和知识图谱构建技术领域。该方法的一具体实施方式包括：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；将该第一文件转换为可标记语言格式的第二文件，并从该第二文件中提取得到各文本块的坐标信息和第二文本；利用各文本块的第一文本和第二文本进行相互纠错，得到各文本块的第三文本；根据该坐标信息提取该第三文本中包含的结构化信息，得到目标结构化信息。应用该实施方式所提供的技术方案可以尽可能的提升识别出的文本和结构化信息的准确度。

技术领域

本申请实施例涉及图像处理技术领域，进一步涉及图像中文字识别、自然语言处理、知识图谱构建技术领域，尤其涉及一种用于提取文本的结构化信息的方法、装置、设备及可读存储介质。

背景技术

随着电子化信息技术的发展，越来越多的数据需要通过电子化技术转换为二进制数据进行存储。

以各式各样的纸质保单和票据为例，其中包含有大量的结构化信息，现有技术往往由录入人员基于肉眼自行辨别，进而完成保单和票据信息的电子化录入。

发明内容

本申请实施例提出了一种用于提取文本的结构化信息的方法、装置、电子设备及计算机可读存储介质。

第一方面，本申请实施例提出了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；将第一文件转换为可标记语言格式的第二文件，并从第二文件中提取得到各文本块的坐标信息和第二文本；利用各文本块的第一文本和第二文本进行相互纠错，得到各文本块的第三文本；根据坐标信息提取第三文本中包含的结构化信息，得到目标结构化信息。

第二方面，本申请实施例提出了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，被配置成将第一文件转换为可标记语言格式的第二文件，并从第二文件中提取得到各文本块的坐标信息和第二文本；文本纠错单元，被配置成利用各文本块的第一文本和第二文本进行相互纠错，得到各文本块的第三文本；结构化信息提取单元，被配置成根据坐标信息提取第三文本中包含的结构化信息，得到目标结构化信息。

第三方面，本申请实施例提供了一种电子设备，该电子设备包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，该指令被至少一个处理器执行，以使至少一个处理器执行时能够实现如第一方面中任一实现方式描述的用于提取文本的结构化信息的方法。

第四方面，本申请实施例提供了一种存储有计算机指令的非瞬时计算机可读存储介质，该计算机指令用于使计算机执行时能够实现如第一方面中任一实现方式描述的用于提取文本的结构化信息的方法。

第五方面，本申请实施例提供了一种包括计算机程序的计算机程序产品，该计算机程序在被处理器执行时能够实现如第一方面中任一实现方式描述的用于提取文本的结构化信息的方法。

本申请实施例提供的用于提取文本的结构化信息的方法、装置、电子设备及计算机可读存储介质，首先，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；然后，将该第一文件转换为可标记语言格式的第二文件，并从该第二文件中提取得到各文本块的坐标信息和第二文本；接着，利用各文本块的第一文本和第二文本进行相互纠错，得到各文本块的第三文本；最后，根据该坐标信息提取该第三文本中包含的结构化信息，得到目标结构化信息。