[发明专利]一种文档解析方法及装置

说明书

本发明公开了一种文档解析方法及装置，方法包括：导入文档；对导入的文档进行解析，解析结果中保留文档的富文本格式；将解析结果保存。本发明对各类格式的文档进行智能解析，保留原有的富文本格式，可进行在线预览和增量编辑操作，并且关联实现了导入内容被存储进了搜索引擎数据库，供后续智能知识库的搜索。

技术领域

本发明涉及智能知识库技术领域，尤其涉及文档解析方法和装置。

背景技术

智能知识库是知识工程中结构化、易操作、易利用、全面有组织的知识集群，是针对一个或一些领域问题求解的需要，采用某种或多种知识表示方式在计算机存储装置中存储、组织、管理和使用的互相联系的知识片集合。是基于知识且具有智能性的系统，其由人工智能(AI)和数据库(DB)两项计算机技术的有机结合而促成和发展。

在智能知识库管理和采编过程中，企业中存在的知识信息有多种文件格式存在，例如Word(微软公司的一个文字处理器应用程序)、PDF(可携带文档格式)格式等，不同的文档格式又有不同的软件和使用方式，各文档格式无法兼容，因此对于这些文档，使用者也就无法统一地浏览或编辑。

目前智能知识库管理和采编过程中，一般采用的方式为：将既存文档中文本选择复制、粘贴到编辑器中。首先，假设所有文档格式的软件是否都有复制功能(即：假设不存在功能上的限制)，例如Word和PDF软件里都提供了选中文本并进行复制的功能，但是对于企业里既存的大量文档都手工进行打开、全选、复制、再粘贴到目标编辑器中，必然会浪费大量人工，同时效率很低。

另外，上述编辑保存的知识内容在需要时，要能够方便地被智能知识库搜索到，目前也无法实现。

发明内容

本发明的目的在于提供文档解析方法及装置，兼容不同文档格式，方便使用者进行在线预览和增量编辑操作。

实现上述目的的技术方案是：

本申请提供一种文档解析方法，包括：

导入文档；

对导入的文档进行解析，并在解析结果中保留文档的富文本格式；

将解析结果保存。

在一实施例中，所述对导入的文档进行解析，并在解析结果中保留文档的富文本格式,包括：

当所述文档为Word时，将Word文档解析成XHTML(可扩展超文本标记语言)格式的内容，删除预设的无用标签；

将XHTML格式的内容转化为HTML(一种网页标记语言，用来描述网站页面)格式的内容，并保留文档的富文本格式。

在一实施例中，所述对导入的文档进行解析，并在解析结果中保留文档的富文本格式,包括：

当所述文档为PDF时，将PDF文档解析成HTML格式的内容，并保留文档的富文本格式。

在一实施例中，所述对导入的文档进行解析，并在解析结果中保留文档的富文本格式,还包括：

将所述HTML格式的内容中包含的图片和字体抽取出来并存储为文件；

将所述图片和字体的内容替换为所述文件的链接，并将链接存放在HTML格式的内容中。

在一实施例中，所述方法还包括：

删除HTML格式的内容中的HTML标签，形成纯文本格式的内容。

在一实施例中，所述方法还包括：

对纯文本格式的内容进行分词操作，获得分词结果；

将纯文本格式的内容和分词结果存储到搜索引擎数据库。