[发明专利]一种结构化文档的生成方法和系统

说明书

技术领域

本发明属于信息处理和检索技术领域，具体涉及一种结构化文档的生成方法和系统。

背景技术

随着网络的普及，信息已成为生活和工作必不可少的组成部分。庞大的信息量，需要更加有效的信息处理技术，而对庞大信息量的利用，则需要高效的信息检索技术。文档，作为一种传统的信息存储方式，承载了大量、种类繁多的信息。各级政府，以及行业领域都存在大量的文档资料，但绝大多数机构或组织的文档资料仍是以非结构化文本形式存在，尤其中各家单位的业素材只能以非结构化文档的方式进行保存。这种形式不利于文档资料内容的理解与宣贯，更不利于长期稳定的推广与实施，很难表现出其应用的利用价值。同时，对于非结构化文档而言，无论是阅读或是检索均不方便，很难发挥出这些非结构化文档应有的价值。

因此，迫切需要对这些非结构化文档进行向结构化文档的转化，将非结构化文档转化为最贴近原来文档意思表达的结构化文档，并对这些结构化文档进行管理，从而更加有效、方便的完成对所需信息的读取和检索。

目前，现有技术中对非结构化文档的处理方式，大多仅能针对非结构化文档的版本、编号等周边信息进行结构化处理，实现非结构化文档向结构化文档的转换，很难涉及到非结构化文档本身的描述内容，因此，现有技术无法真正实现对文档的内容处理和检索。

发明内容

本发明实施例的目的是提供一种结构化文档的生成方法和系统，通过基于自定义规则，将非结构化文档生成或转换为结构化文档，形成一套完整的结构化文档，通过结构化文档实现对原有的非结构化文档内容的管理和应用。

根据本发明的一个方面，提供了一种结构化文档的生成方法，所述方法包括：

采集非结构化文档；

提取所述非结构化文档的属性；

设定并提取所述非结构化文档的关键词；

利用所述属性和所述关键词构建与所述非结构化文档对应的结构化文档。

上述方案中，所述设定并提取所述非结构化文档的关键词，进一步包括：

预设自定义规则，在所述规则中预设关键词的级别；

根据所述自定义规则从所述非结构化文档中提取关键词。

上述方案中，所述关键词的级别包括：首要关键词级别、次要关键词级别、一般关键词级别。

上述方案中，所述非结构化文档的属性至少包括：文档名称、文档页数、发布日期、文档格式、文档作者、文档发布单位、文档批准单位、文档版本。

根据本发明的另一个方面，还提供了一种结构化文档的生成装置，所述装置包括：

采集模块，用于采集非结构化文档；

属性提取模块，与所述采集模块相连，用于提取所述非结构化文档的属性；

关键词提取模块，与所述采集模块相连，用于设定并提取所述非结构化文档的关键词；

构建模块，与所述属性提取模块和所述关键词提取模块相连，用于利用所述属性和所述关键词构建与所述非结构化文档对应的结构化文档。

上述方案中，所述关键词提取模块包括：

规则预设子模块，用于预设自定义规则，在所述规则中预设关键词的级别；

提取子模块，用于根据所述自定义规则从所述非结构化文档中提取关键词。

上述方案中，所述关键词的级别包括：首要关键词级别、次要关键词级别、一般关键词级别。

上述方案中，所述非结构化文档的属性至少包括：文档名称、文档页数、发布日期、文档格式、文档作者、文档发布单位、文档批准单位、文档版本。

本文明实施例所公开的结构化文档生成方法，包括：采集非结构化文档；提取所述非结构化文档的属性；设定并提取所述非结构化文档的关键词；利用所述属性和所述关键词构建与所述非结构化文档对应的结构化文档。本发明通过提取非结构化文档的包括但不限于文档名称、文档页数、发布日期、文档格式、文档作者、文档发布单位、文档批准单位、文档版本等属性和基于自定义规则提取的关键词，并利用所提取的属性和关键词来构建与所述非结构化文档相对应的结构化文档，形成一套完整的结构化文档，克服了传统非结构化文档普遍以文本形式存在、不利于实际操作和应用的缺点，通过结构化文档实现对原有的非结构化文档内容的管理和应用，更加充分发挥其应用与使用价值。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。