[发明专利]一种对word文档进行处理的方法和装置

权利要求书

1.一种对word文档进行处理的方法，其特征在于，包括如下步骤：

S1，将不同格式的word文档转化为统一文档格式，按OpenXML标准对文档进行识别，对各文档内部包括但不限于页头、页尾和图片进行提取；

S2，将提取出到的页头、页尾和图片XML资源转换添加至HTML文件，并在标题列表、段落和表格前分别添加第一标签、第二标签和第三标签；

S3，使用JavaScript对生成的HTML文件进行修改，根据分页栏页码标签对HTML文件进行分页隔断；

S4，根据生成的HTML文件，按第二标签来提取每段内容并过滤掉HTML标签生成文本内容，所述每段内容包括但不限于图片和表格，根据文档内顺序和关联关系对各段文本和表格添加位置关联标签组，生成包括文档、位置关联标签组和文本内容的结构化数据。

2.根据权利要求1所述的对word文档进行处理的方法，其特征在于，所述步骤S2还包括：

对word文档解析工具Docx4j的XSLT标签进行修改，对XSLT增加对页头的识别配置，通过识别OpenXML中的w:headerReference标签，赋于解析所述w:headerReference标签输出的内容。

3.根据权利要求1所述的医药文档结构化内容分析方法，其特征在于：所述步骤S4还包括：

对每一个结构化数据进行解析，每解析完一数据在该节点前插入一包含标签信息的锚点后保存至数据库。

4.根据权利要求3所述的对word文档进行处理的方法，其特征在于，所述步骤S4还包括：

根据第三标签提取表格数据遍历表格内每一单元格，获取表格在文档中位置、表格内单元格坐标、和单元格文本内容，通过获取表格各单元格的坐标和内容，将每个表格处理成单元格坐标和单元格内容对应的结构化数据。

5.根据权利要求4所述的对word文档进行处理的方法，其特征在于，所述步骤S4还包括：

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；

根据内容一致单元格的数量和/或分布位置来判断两表格的关联状态，对存在关联的表格对标记关联表格对标签。

6.根据权利要求5所述的对word文档进行处理的方法，其特征在于：所述步骤S4还包括：

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；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，记录单元格内容中的不一致字符集合。

7.一种对word文档进行处理的装置，其特征在于，包括：

格式处理模块，用于将不同格式的word文档转化为统一文档格式，按OpenXML标准对文档进行识别，对各文档内部包括但不限于页头、页尾和图片进行提取；

标签添加模块，用于将提取出到的页头、页尾和图片XML资源转换添加至HTML文件，并在标题列表、段落和表格前分别添加第一标签、第二标签和第三标签；

分页模块，用于使用JavaScript对生成的HTML文件进行修改，根据分页栏页码标签对HTML文件进行分页隔断；

结构化数据生成模块，用于根据生成的HTML文件，按第二标签来提取每段内容并过滤掉HTML标签生成文本内容，所述每段内容包括但不限于图片和表格，根据文档内顺序和关联关系对各段文本和表格添加位置关联标签组，生成包括文档、位置关联标签组和文本内容的结构化数据。

8.根据权利要求7所述的对word文档进行处理的装置，其特征在于：所述结构化数据生成模块还用于根据第三标签提取表格数据遍历表格内每一单元格，获取表格在文档中位置、表格内单元格坐标、和单元格文本内容，通过获取表格各单元格的坐标和内容，将每个表格处理成单元格坐标和单元格内容对应的结构化数据。