[发明专利]一种用于医药行业的表格差异化内容分析方法、系统和存储介质

说明书

本发明公开了一种用于医药行业的表格差异化内容分析方法，包括获取待分析的多份表格的各单元格坐标和内容，分别生成各表格单元格坐标与内容相对应的表格结构化数据；对各表格结构化数据逐对进行比较，筛选出存在关联的关联表格对；比较关联表格对的各单元格内容，根据内容不一致单元格的分布位置筛选出关联表格对上的异常单元格组；对异常单元格组中对应单元格内容进行对比，找出并标记单元格内容中的不一致字符集合。最终减少呈现给用户的不一致单元格结果数量，便于用户快速排查发现错误、异常表格。

技术领域

本发明涉及数据处理和分析技术领域，尤其涉及一种用于医药行业的表格差异化内容分析方法、系统和存储介质。

背景技术

电子表格(Spreadsheet)，又称电子数据表，由一系列行与列构成的网格，网格内可以存放数值、计算式以及文本等。常用的电子表格例如Excel表格，Excel表格被提交至版本管理服务器做版本管理。在日常的一些领域的文字处理工作中，经常需要处理大量的文档，而这些文档中又存在大量表格，这些表格具有相似度高，相互引用、嵌套的情况，同时由于处理工作量大等原因，经常需要多个用户协作进行文档编辑。例如，药企研发机构在准备整理药品申报资料时存在大量文档，文档中存在大量表格。这些表格存在相似度高、相互引用、和嵌套等各类情况。同时，由于这些关联表格由多人人为整理，往往存在对应单元格内容不一致、表格行列丢失、表格行列顺序错乱等各种错误情况。但是由于表格众多，而其分布在大量不同文档中，这就造成后期人为检查的工作量极大，且上述错误情况难以发现，最终直接导致资料错误，合规性需求难以满足，严重拖延了药品申报进度。

发明内容

本发明针对现有技术中的不足，提供了一种用于医药行业的表格差异化内容分析方法，具体包括：

S1，获取待分析的多份表格的各单元格坐标和内容，分别生成各表格单元格坐标与内容相对应的表格结构化数据；

S2，对各表格结构化数据逐对进行比较，获取两表格中的内容一致单元格的坐标及内容，筛选出存在关联的关联表格对；

S3，比较关联表格对的各单元格内容，根据内容不一致单元格的分布位置筛选出关联表格对上的异常单元格组，所述异常单元格组包括部分或全部内容不一致单元格；

S4，对关联表格对的异常单元格组中对应单元格内容进行对比，找出并标记单元格内容中的不一致字符集合。

优选的，所述表格结构化数据包括表格所属文档信息、表格在文档中位置、表格内单元格坐标、和/或单元格内容信息。

优选的，所述步骤S2具体包括：

S21，对各表格结构化数据逐对进行比较，获取两表格中的内容一致单元格的坐标及内容；

S22，根据内容一致单元格的数量和/或分布位置来判断所述两表格的关联状态。

优选的，所述步骤S22还包括：获取各表格的内容一致单元格数量和其在表格中的分布位置；获取各表格的最小表格矩阵，所述最小表格矩阵为包含有该表格内所有内容一致单元格的最小矩形表格区域；当内容一致单元格数量大于预设值时，和/或内容一致单元格数量的两倍要大于所在两表格所包含单元格数量之和的预设比例时，和/或内容一致单元格数量大于其所在最小表格矩阵内的单元格总数的预设比例时，判断该两表格为具有关联的关联表格对。

优选的，所述步骤S3具体包括：当关联表格对的两最小表格矩阵的行列数一致时，遍历最小表格矩阵的每一单元格；比较两最小表格矩阵对应位置的内容是否相同，若存在不同则将其中内容不一致单元格坐标和内容进行记录并生成异常单元格组，否则不进行记录。