一種基于可配置的word文檔結(jié)構(gòu)化提取方法
【專利摘要】一種基于可配置的WORD文檔結(jié)構(gòu)化提取方法，包括以下步驟：步驟一，定義可配置的模板文件；在讀取Word文檔時，需要定義一個word模板文件，用來定義待讀取文檔的結(jié)構(gòu)和需要提取word的內(nèi)容；步驟二，根據(jù)第一步定義的模板文件為基準(zhǔn)，檢測待讀取的Word文檔。本發(fā)明實現(xiàn)的WORD文檔結(jié)構(gòu)提取的易用性好，可擴展性高，適用于各種需要將WORD文檔結(jié)構(gòu)化到數(shù)據(jù)庫中的場合，對于減少人為錯誤出現(xiàn)的機率，提高數(shù)據(jù)質(zhì)量，提升工作效率具有重要作用。
【專利說明】—種基于可配置的WORD文檔結(jié)構(gòu)化提取方法

【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及對WORD文檔結(jié)構(gòu)化提取的【技術(shù)領(lǐng)域】，具體涉及可配置方式的WORD文檔結(jié)構(gòu)化提取的計算機方法。

【背景技術(shù)】
[0002]現(xiàn)代信息化社會中，通過計算機來管理資料是所有企業(yè)都需要面對的問題。一個企業(yè)在信息化過程中，通常都是由文檔管理到數(shù)據(jù)庫管理的一個過程轉(zhuǎn)換，怎樣將積累的文檔資源轉(zhuǎn)化到數(shù)據(jù)庫中，在提高效率的同時也要保證質(zhì)量。如果采用人工的方式轉(zhuǎn)換，對于成千上萬的文檔資料來說，難度是相當(dāng)大的，而且人工轉(zhuǎn)換的方式出現(xiàn)錯誤的概率也很大，數(shù)據(jù)質(zhì)量也難于保障。如何通過一種計算機的數(shù)據(jù)提取方式，實現(xiàn)一種可動態(tài)配置文檔目錄結(jié)構(gòu)的，將WORD文檔通過結(jié)構(gòu)化技術(shù)實現(xiàn)數(shù)據(jù)提?。吭诮档凸ぷ麟y度、提高工作效率的同時也保證數(shù)據(jù)轉(zhuǎn)換的質(zhì)量。
[0003]基于以上的這些原因，需要一個能夠?qū)ORD文檔實現(xiàn)可配置的結(jié)構(gòu)化提取的通用計算機方法，能夠驗證這些文檔的合規(guī)性，并提取相應(yīng)文檔中的內(nèi)容，實現(xiàn)文檔數(shù)據(jù)的結(jié)構(gòu)化。


【發(fā)明內(nèi)容】

[0004]本發(fā)明正是為了解決WORD文檔結(jié)構(gòu)化提取的難題，提出一種基于可配置的WORD文檔結(jié)構(gòu)化提取方法，該方法具有便捷操作、方便使用的特點，同時能夠驗證文檔的合規(guī)性，保障數(shù)據(jù)質(zhì)量。
[0005]實現(xiàn)本發(fā)明的技術(shù)方案如下:
一種基于可配置的WORD文檔結(jié)構(gòu)化提取方法，步驟為:
步驟一、定義可配置的模板文件。在讀取Word文檔時,需要定義一個word模板文件，用來定義待讀取文檔的結(jié)構(gòu)，和需要提取word的內(nèi)容。模板文件需要定義的內(nèi)容有:
1)、定制文檔的結(jié)構(gòu)，通過采用xml技術(shù),定制文件的樹型結(jié)構(gòu)內(nèi)容，通過XML結(jié)構(gòu)實現(xiàn)可配置的定義文檔的層級結(jié)構(gòu)，每個層級作為配置文件的一個節(jié)點。節(jié)點的類型包括:標(biāo)題、文本、表格、圖片；
2)、配置節(jié)點的屬性，根據(jù)各節(jié)點的實際業(yè)務(wù)需求，配置標(biāo)題節(jié)點的屬性，包括標(biāo)題名、標(biāo)題編號、是否為可循環(huán)出現(xiàn)的標(biāo)題；
3)、定義模板節(jié)點的校驗，或者讀取的數(shù)據(jù)應(yīng)該存放到數(shù)據(jù)庫表的哪個字段中；
步驟二、根據(jù)第一步定義了模板文件為基準(zhǔn)，檢測待讀取的Word文檔。實現(xiàn)過程包含以下步驟:
1)、加載模板文件，并遍歷其中的所有節(jié)點。根據(jù)XML定義出來的文檔結(jié)構(gòu)是一個樹型結(jié)構(gòu)，遍歷過程中需要根據(jù)這個樹型來遍歷，及樹型的深度遍歷；
2)、根據(jù)當(dāng)前的節(jié)點類型來進(jìn)行不同的加載:
2.1標(biāo)題節(jié)點:根據(jù)模板節(jié)點中的標(biāo)題號定位到具體的文檔位置，如果不能定位則表示在模板中的標(biāo)題沒在文檔中，同時根據(jù)這個節(jié)點的屬性‘是否為可選’來判斷是否需要輸出日志信息；
2.2文本節(jié)點:讀取Word文檔中對應(yīng)的文本內(nèi)容，并依據(jù)模板中的節(jié)點定義，把讀取的數(shù)據(jù)保存到對應(yīng)數(shù)據(jù)庫表的字段中；
2.3表格節(jié)點:根據(jù)模板中定義的表格列來驗證，文檔中對應(yīng)的位置的表格是否符合模板定義，如果符合則讀取數(shù)據(jù)并保存到數(shù)據(jù)庫表的字段中；
2.4圖片節(jié)點:讀取Word文檔中對應(yīng)的圖片內(nèi)容，并依據(jù)模板中的節(jié)點定義，把讀取的數(shù)據(jù)保存到對應(yīng)數(shù)據(jù)庫表的字段中。
[0006]本發(fā)明的有益效果是:
本發(fā)明通過采用XML技術(shù)，解決了 WORD文檔目錄結(jié)構(gòu)可配置的問題，通過定制模板的不同類型節(jié)點及定義節(jié)點的屬性，能夠根據(jù)業(yè)務(wù)需求進(jìn)行不同類型文檔結(jié)構(gòu)的定制，滿足各種結(jié)構(gòu)的WORD的結(jié)構(gòu)化數(shù)據(jù)提取。通過以模板為基準(zhǔn)，提取WORD文檔的數(shù)據(jù)，同時進(jìn)行數(shù)據(jù)合規(guī)性的檢查，為數(shù)據(jù)質(zhì)量保證奠定基礎(chǔ)。本方法實現(xiàn)的WORD文檔結(jié)構(gòu)提取的易用性好，可擴展性高，適用于各種需要將WORD文檔結(jié)構(gòu)化到數(shù)據(jù)庫中的場合，對于減少人為錯誤出現(xiàn)的機率，提高數(shù)據(jù)質(zhì)量，提升工作效率具有重要作用。

【專利附圖】

【附圖說明】
[0007]圖1為本發(fā)明WORD結(jié)構(gòu)化提取流程圖。

【具體實施方式】
[0008]下面結(jié)合附圖和實施例對本發(fā)明作時一步詳細(xì)說明。
[0009]如圖1，基于可配置的WORD文檔結(jié)構(gòu)化提取的流程包括定制并加載模板配置文件，遍歷模板樹節(jié)點，解析各節(jié)點并按屬性結(jié)構(gòu)化內(nèi)容。
[0010]以信息化項目建設(shè)的資料結(jié)構(gòu)化為例子，信息化項目一般分為業(yè)務(wù)模型、需求分析、概要設(shè)計、詳細(xì)設(shè)計四個階段，每個階段有幾十個文檔，四個階段全部的文檔加起來有幾百個文檔，每個文檔的大小有十幾M。如果這些文檔全部由人工來進(jìn)行錄入的話，一是工作量大，二是由于文檔大，人工錄入的話出現(xiàn)錯誤的概率很大。以需求分析的文檔為實例，來說明本發(fā)明的實施例子。
[0011]具體實施步驟如下:
步驟一、定制并加載模板配置文件。根據(jù)需求分析文檔的結(jié)構(gòu)，采用XML技術(shù)進(jìn)行模板化，生成模板的配置文件；
I )、定制文檔的結(jié)構(gòu)，通過采用xml技術(shù),定制文件的樹型結(jié)構(gòu)內(nèi)容，通過XML結(jié)構(gòu)實現(xiàn)可配置的定義文檔的層級結(jié)構(gòu)，每個層級作為配置文件的一個節(jié)點。需求分析文檔的結(jié)構(gòu)包括項目概述、需求總體分析、功能規(guī)格、需求清單、功能項、功能子項、業(yè)務(wù)流程圖、接口需求、非功能規(guī)格；
2)、配置各個節(jié)點的屬性，包括標(biāo)題名、標(biāo)題編號、是否為可循環(huán)出現(xiàn)的標(biāo)題，各節(jié)點的屬性如下:
a)項目概述，1，不可循環(huán)出現(xiàn)；
b)需求總體分析,2，不可循環(huán)出現(xiàn)； c)功能規(guī)格，3，不可循環(huán)出現(xiàn)；
d)需求清單，3.1，不可循環(huán)出現(xiàn)；
e)功能項，3.2，可循環(huán)出現(xiàn)；
f)功能子項3.3，可循環(huán)出現(xiàn)；
g)業(yè)務(wù)流程圖，3.4，可循環(huán)出現(xiàn)；
h)接口需求，4，不可循環(huán)出現(xiàn)；
i)非功能規(guī)格，5，不可循環(huán)出現(xiàn)；
3、定義模板節(jié)點的校驗，與數(shù)據(jù)庫表建立關(guān)系，實現(xiàn)文檔節(jié)點與數(shù)據(jù)庫表字段的對應(yīng)映射；
步驟二、遍歷文檔的樹節(jié)點，根據(jù)步驟一定制的模板配置文件進(jìn)行節(jié)點的遍歷。首先加載模板配置文件，然后按順序進(jìn)行標(biāo)題節(jié)點的提取及標(biāo)題下對應(yīng)的文本節(jié)點、表格節(jié)點、圖片節(jié)點的提取，并將提取的數(shù)據(jù)存放到指定的數(shù)據(jù)庫表中的字段。下面以功能規(guī)格目錄及其子目錄為例子，說明數(shù)據(jù)提取并結(jié)構(gòu)化入庫的過程。具體過程如下:
1)、提取標(biāo)題節(jié)點:依據(jù)模板配置文件的定義，掃描當(dāng)前WORD文檔的目錄結(jié)構(gòu)，匹配標(biāo)題為“功能規(guī)格”的標(biāo)題節(jié)點。分二種情況處理:
情況一:如果能定位到，則獲取標(biāo)題名，并執(zhí)行2)；
情況二:如果不能定位到，而且“功能規(guī)格”不是‘可選’的標(biāo)題節(jié)點，輸出日志信息“功能規(guī)格標(biāo)題節(jié)點找不到，請核對WORD文檔目錄結(jié)構(gòu)！ ”。根據(jù)模板配置文件繼續(xù)遍歷文檔的樹節(jié)點；
2)、提取文本節(jié)點:依據(jù)模板配置文件可知，‘功能規(guī)格’為文本節(jié)點。定位到‘功能規(guī)格’的層級目錄，提取‘功能規(guī)格’節(jié)點內(nèi)容，根據(jù)模板配置文件中的節(jié)點定義找到與數(shù)據(jù)庫的映射關(guān)系，將提取的數(shù)據(jù)存入數(shù)據(jù)庫表的指定字段中；
3)、提取表格節(jié)點:依據(jù)模板配置文件可知，‘需求清單’為表格節(jié)點。定位到‘功能規(guī)格’的層級目錄，提取‘需求清單’的表格數(shù)據(jù)，根據(jù)模板配置文件中的節(jié)點定義找到與數(shù)據(jù)庫的映射關(guān)系，將提取的數(shù)據(jù)通過結(jié)構(gòu)化處理，存入數(shù)據(jù)庫表的指定字段中；
4)、提取圖片節(jié)點:依據(jù)模板定義可知，‘業(yè)務(wù)流程圖’為圖片節(jié)點。定位到‘功能規(guī)格’的層級目錄，提取‘業(yè)務(wù)流程圖’的流程圖數(shù)據(jù)，根據(jù)模板配置文件中的節(jié)點定義找到與數(shù)據(jù)庫的映射關(guān)系，將提取的圖片通過矢量化技術(shù)進(jìn)行解析分析，并進(jìn)行結(jié)構(gòu)化處理，存入數(shù)據(jù)庫表的指定字段中。
[0012]重復(fù)步驟二操作，遍歷步驟一定制的模板配置文件的結(jié)構(gòu)目錄，將項目概述、需求總體分析、功能規(guī)格、需求清單、功能項、功能子項、業(yè)務(wù)流程圖、接口需求、非功能規(guī)格的內(nèi)容進(jìn)行提取，并根據(jù)數(shù)據(jù)庫的映射關(guān)系，將提取的數(shù)據(jù)通過結(jié)構(gòu)化處理，存入數(shù)據(jù)庫表的指定字段。
[0013]同理，重復(fù)以上步驟，通過定制四個階段對應(yīng)的文檔的模板配置文件，并進(jìn)行遍歷模板樹節(jié)點，定位并提取各節(jié)點的內(nèi)容，采用結(jié)構(gòu)化技術(shù)、矢量化技術(shù)存入到數(shù)據(jù)庫表中。
【權(quán)利要求】
1.一種基于可配置的WORD文檔結(jié)構(gòu)化提取方法，其特征在于，包括以下步驟: 步驟一，定義可配置的模板文件；在讀取Word文檔時,需要定義一個word模板文件,用來定義待讀取文檔的結(jié)構(gòu)和需要提取word的內(nèi)容；模板文件需要定義的內(nèi)容有: I )、定制文檔的結(jié)構(gòu)，通過采用xml技術(shù),定制文件的樹型結(jié)構(gòu)內(nèi)容，通過XML結(jié)構(gòu)實現(xiàn)可配置的定義文檔的層級結(jié)構(gòu)，每個層級作為配置文件的一個節(jié)點；節(jié)點的類型包括:標(biāo)題、文本、表格、圖片； 2)、配置節(jié)點的屬性，根據(jù)各節(jié)點的實際業(yè)務(wù)需求，配置標(biāo)題節(jié)點的屬性，包括標(biāo)題名、標(biāo)題編號、是否為可循環(huán)出現(xiàn)的標(biāo)題； 3)、定義模板節(jié)點的校驗或者讀取的數(shù)據(jù)應(yīng)該存放到數(shù)據(jù)庫表的哪個字段中； 步驟二，根據(jù)第一步定義的模板文件為基準(zhǔn)，檢測待讀取的Word文檔；實現(xiàn)過程包含以下步驟:. 1)、加載模板文件，并遍歷其中的所有節(jié)點；根據(jù)XML定義出來的文檔結(jié)構(gòu)是一個樹型結(jié)構(gòu)，遍歷過程中需要根據(jù)這個樹型來遍歷，及樹型的深度遍歷； .2)、根據(jù)當(dāng)前的節(jié)點類型來進(jìn)行不同的加載: . 2.1)標(biāo)題節(jié)點:根據(jù)模板節(jié)點中的標(biāo)題號定位到具體的文檔位置，如果不能定位則表示在模板中的標(biāo)題沒在文檔中，同時根據(jù)這個節(jié)點的屬性‘是否為可選’來判斷是否需要輸出日志信息； . 2.2)文本節(jié)點:讀取Word文檔中對應(yīng)的文本內(nèi)容，并依據(jù)模板中的節(jié)點定義，把讀取的數(shù)據(jù)保存到對應(yīng)數(shù)據(jù)庫表的字段中； . 2.3)表格節(jié)點:根據(jù)模板中定義的表格列來驗證，文檔中對應(yīng)的位置的表格是否符合模板定義，如果符合則讀取數(shù)據(jù)并保存到數(shù)據(jù)庫表的字段中； . 2.4)圖片節(jié)點:讀取Word文檔中對應(yīng)的圖片內(nèi)容，并依據(jù)模板中的節(jié)點定義，把讀取的數(shù)據(jù)保存到對應(yīng)數(shù)據(jù)庫表的字段中。
【文檔編號】G06F17/30GK104199975SQ201410492079
【公開日】2014年12月10日 申請日期:2014年9月23日 優(yōu)先權(quán)日:2014年9月23日
【發(fā)明者】詹衛(wèi)許, 于曉義, 董燦, 吳方權(quán), 陳彬, 胡俊楊, 陳曉洪, 李瑜 申請人:中國南方電網(wǎng)有限責(zé)任公司, 云南云電同方科技有限公司