[发明专利]一种基于可配置的WORD文档结构化提取方法

说明书

技术领域

本发明涉及对WORD文档结构化提取的技术领域，具体涉及可配置方式的WORD文档结构化提取的计算机方法。

背景技术

现代信息化社会中，通过计算机来管理资料是所有企业都需要面对的问题。一个企业在信息化过程中，通常都是由文档管理到数据库管理的一个过程转换，怎样将积累的文档资源转化到数据库中，在提高效率的同时也要保证质量。如果采用人工的方式转换，对于成千上万的文档资料来说，难度是相当大的，而且人工转换的方式出现错误的概率也很大，数据质量也难于保障。如何通过一种计算机的数据提取方式，实现一种可动态配置文档目录结构的，将WORD文档通过结构化技术实现数据提取？在降低工作难度、提高工作效率的同时也保证数据转换的质量。

基于以上的这些原因，需要一个能够对WORD文档实现可配置的结构化提取的通用计算机方法，能够验证这些文档的合规性，并提取相应文档中的内容，实现文档数据的结构化。

发明内容

本发明正是为了解决WORD文档结构化提取的难题，提出一种基于可配置的WORD文档结构化提取方法，该方法具有便捷操作、方便使用的特点，同时能够验证文档的合规性，保障数据质量。

实现本发明的技术方案如下：

一种基于可配置的WORD文档结构化提取方法，步骤为：

步骤一、定义可配置的模板文件。在读取Word文档时，需要定义一个word模板文件，用来定义待读取文档的结构，和需要提取word的内容。模板文件需要定义的内容有：

1）、定制文档的结构，通过采用xml技术，定制文件的树型结构内容，通过XML结构实现可配置的定义文档的层级结构，每个层级作为配置文件的一个节点。节点的类型包括：标题、文本、表格、图片；

2）、配置节点的属性，根据各节点的实际业务需求，配置标题节点的属性，包括标题名、标题编号、是否为可循环出现的标题；

3）、定义模板节点的校验，或者读取的数据应该存放到数据库表的哪个字段中；

步骤二、根据第一步定义了模板文件为基准，检测待读取的Word文档。实现过程包含以下步骤：

1）、加载模板文件，并遍历其中的所有节点。根据XML定义出来的文档结构是一个树型结构，遍历过程中需要根据这个树型来遍历，及树型的深度遍历；

2）、根据当前的节点类型来进行不同的加载：

2.1 标题节点：根据模板节点中的标题号定位到具体的文档位置，如果不能定位则表示在模板中的标题没在文档中，同时根据这个节点的属性‘是否为可选’来判断是否需要输出日志信息；

2.2 文本节点：读取Word文档中对应的文本内容，并依据模板中的节点定义，把读取的数据保存到对应数据库表的字段中；

2.3 表格节点：根据模板中定义的表格列来验证，文档中对应的位置的表格是否符合模板定义，如果符合则读取数据并保存到数据库表的字段中；

2.4 图片节点：读取Word文档中对应的图片内容，并依据模板中的节点定义，把读取的数据保存到对应数据库表的字段中。

本发明的有益效果是：

本发明通过采用XML技术，解决了WORD文档目录结构可配置的问题，通过定制模板的不同类型节点及定义节点的属性，能够根据业务需求进行不同类型文档结构的定制，满足各种结构的WORD的结构化数据提取。通过以模板为基准，提取WORD文档的数据，同时进行数据合规性的检查，为数据质量保证奠定基础。本方法实现的WORD文档结构提取的易用性好，可扩展性高，适用于各种需要将WORD文档结构化到数据库中的场合，对于减少人为错误出现的机率，提高数据质量，提升工作效率具有重要作用。

附图说明

图1为本发明WORD结构化提取流程图。

具体实施方式

下面结合附图和实施例对本发明作时一步详细说明。

如图1，基于可配置的WORD文档结构化提取的流程包括定制并加载模板配置文件，遍历模板树节点，解析各节点并按属性结构化内容。

以信息化项目建设的资料结构化为例子，信息化项目一般分为业务模型、需求分析、概要设计、详细设计四个阶段，每个阶段有几十个文档，四个阶段全部的文档加起来有几百个文档，每个文档的大小有十几M。如果这些文档全部由人工来进行录入的话，一是工作量大，二是由于文档大，人工录入的话出现错误的概率很大。以需求分析的文档为实例，来说明本发明的实施例子。

具体实施步骤如下：

步骤一、定制并加载模板配置文件。根据需求分析文档的结构，采用XML技术进行模板化，生成模板的配置文件；