[发明专利]用于提取文档结构的方法和装置

说明书

技术领域

本发明涉及数字出版领域，具体而言，涉及用于提取文档结构的方法和装置。

背景技术

在传统出版领域，书籍、报刊的文档格式只是为了满足传统印刷的需求，对于内容的描述局限于文字、图形、图像的轮廓、颜色、位置等视觉要素，没有构建文档的逻辑内容和内在关系。在数字出版领域，对文档的逻辑内容、关联关系、内容的颗粒度更为关注，对文档进行结构化加工是进行数字内容再利用的前提条件。

一篇标准完整的文档的内容通常可以划分为多个级别的颗粒，例如第一级为篇、第二级为章、第三级为节、第四级为段、第五级为句等。通过预先以篇章节段句为内容样式设置匹配规则，对文档进行匹配，可以识别出对应于篇章节段句的内容，并以结构标签予以标注。

发明人发现，篇章节段句这些都是一个比较抽象和空泛的概念。对于不同的文档类型，它们的内容样式可能各不相同，比如试卷这样的文档，它的内容可以划分的颗粒度可能为大题、题干、选项或者答案等。因此相关技术为了对不同类型的文档提取文档结构，必须分别规定对应于不同内容样式的匹配规则，以生成不同的结构标签。这导致操作比较繁琐，容易出错。

发明内容

本发明旨在提供用于提取文档结构的方法和装置，以解决相关技术操作比较繁琐的问题。

在本发明的实施例中，提供了一种用于提取文档结构的方法，包括：以预设的内容样式规则识别文档的内容的颗粒；以条目标签标注颗粒；从预设的映射规则组中选择与文档的类型相对应的映射规则；使用选择的映射规则将条目标签映射到结构标签；使用结构标签标注颗粒。

在本发明的实施例中，一种用于提取文档结构的装置，包括：识别模块，用于以预设的内容样式规则识别文档的内容的颗粒；条目标注模块，用于以条目标签标注颗粒；映射选择模块，用于从预设的映射规则组中选择与文档的类型相对应的映射规则；映射模块，用于使用选择的映射规则将条目标签映射到结构标签；结构标注模块，用于使用结构标签标注颗粒。

本发明上述实施例的用于提取文档结构的方法和装置，因为采用条目标签隔离结构标签与内容样式，所以克服了相关技术操作繁琐的问题，达到了提高提取文档结构效率的效果。

附图说明

此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1示出了根据本发明实施例的用于提取文档结构的方法的流程图；

图2示出了根据本发明优选实施例的MVC模型；

图3示出了根据本发明优选实施例的用于提取文档结构的方法的流程图；

图4示出了根据本发明实施例的用于提取文档结构的装置的示意图。

具体实施方式

下面将参考附图并结合实施例，来详细说明本发明。

图1示出了根据本发明实施例的用于提取文档结构的方法的流程图，包括：

以预设的内容样式规则识别文档的内容的颗粒；

以条目标签标注颗粒；

从预设的映射规则组中选择与文档的类型相对应的映射规则；

使用选择的映射规则将条目标签映射到结构标签；

使用结构标签标注颗粒。

相关技术对不同类型的文档提取文档结构，必须分别规定对应于不同内容样式的匹配规则，以生成不同的结构标签。这导致操作比较繁琐，容易出错。发明人对此进行了深入研究，发现上述相关技术固定地设置各种结构标签的内容样式，即结构标签与内容样式之间的耦合度较大，无法灵活地适应各种不同的文档类型，不利于后期维护和功能扩展。

本发明上述实施例的方法中，创建了条目标签，条目标签仅仅标注文档内容的颗粒层级，而不关注颗粒的其他任何属性。不管是试卷、论文还是其他类型的文档，在这一点上都是相同的，即都需要将文档内容划分层级，建立树状结构。至于和文档类型相关的其他结构属性，本实施例通过标签映射规则来处理，从而使得结构标签与内容样式规则相互独立，中间隔离了条目标签。因此，通过打破结构标签与内容样式之间的耦合，从而可以灵活地适应各种不同的文档类型。