[发明专利]结构化数据生成方法及装置

说明书

技术领域

本申请涉及数据处理技术领域，尤其涉及一种结构化数据生成方法及装置。

背景技术

随着信息化的发展，电子文档的类型和数量越来越多，目前常用的电子文档的类型有DOC、PDF、超文本标记语言(Hyper Text Mark-up Language，HTML)等等，由于电子文档的类型非常丰富，用户可以根据各自的喜好选择电子文档的类型来生成电子文档，例如，在有大量服装加工厂的验厂报告中，不同的验厂机构会采用不同类型的电子文档来描述被验工厂的信息。

有时，用户需要将海量的电子文档进行对比，提取出符合设定匹配规则的结构化数据，例如，从大量服装加工厂的验厂报告中提取出符合设定匹配规则的结构化数据，以便从中快速筛选出符合条件的工厂，虽然海量的验厂报告均描述服装加工厂的情况，但由于验厂报告的类型不同，目前只能依靠人工来浏览每个验厂报告，从中获取符合设定匹配规则的数据，再录入表格中生成结构化数据。

上述通过人工生成结构化数据的方式，生成效率低下，且容易出现人为错误，准确性较差。

发明内容

本申请实施例提供一种结构化数据生成方法及装置，用以解决相关结构化数据生成方式中存在的生成效率低下，且容易出现人为错误，准确性较差的问题。

根据本申请实施例，提供一种结构化数据生成方法，包括：

获取待解析电子文档的文本模式；

从所述待解析电子文档的文本模式中提取符合设定匹配规则的数据；

将提取的数据生成结构化数据。

可选的，还包括：

接收用户提供的统一资源定位符URL地址；

获取所述URL地址对应的原始电子文档；

从所述原始电子文档中选取待解析电子文档。

具体的，从所述原始电子文档中选取待解析电子文档，具体包括：

确定与所述原始电子文档的后缀文件名对应的验证工具，得到所述原始电子文档的验证工具；

使用所述原始电子文档的验证工具验证所述原始电子文档；

获取通过验证的原始电子文档，得到待解析电子文档。

可选的，还包括：

在所述待解析电子文档中添加第一设定标识。

具体的，获取待解析电子文档的文本模式，具体包括：

确定与所述待解析电子文档的后缀文件名对应的提取工具，得到所述待解析电子文档的提取工具；

使用所述待解析电子文档的提取工具提取所述待解析电子文档中的文字部分；

获取所述待解析电子文档中的文字部分，得到所述待解析电子文档的文本模式。

具体的，从所述待解析电子文档的文本模式中提取符合设定匹配规则的数据，具体包括：

将所述待解析电子文档的文本模式逐词匹配所述设定匹配规则；

获取所述待解析电子文档的文本模式中与所述设定匹配规则匹配的词，得到符合所述设定匹配规则的数据。

可选的，还包括：

在完成与所述设定匹配规则匹配的待解析电子文档中添加第二设定标识。

具体的，将提取的数据生成结构化数据，具体包括：

以表格的形式在页面中展示提取的数据。

根据本申请实施例，还提供一种结构化数据生成装置，包括：

第一获取模块，用于获取待解析电子文档的文本模式；

提取模块，用于从所述待解析电子文档的文本模式中提取符合设定匹配规则的数据；

生成模块，用于将提取的数据生成结构化数据。

可选的，还包括：

接收模块，用于接收用户提供的统一资源定位符URL地址；

第二获取模块，用于获取所述URL地址对应的原始电子文档；

选取模块，用于从所述原始电子文档中选取待解析电子文档。

具体的，所述选取模块，用于从所述原始电子文档中选取待解析电子文档，具体用于：

确定与所述原始电子文档的后缀文件名对应的验证工具，得到所述原始电子文档的验证工具；

使用所述原始电子文档的验证工具验证所述原始电子文档；

获取通过验证的原始电子文档，得到待解析电子文档。

可选的，还包括：

第一添加模块，用于在所述待解析电子文档中添加第一设定标识。

具体的，所述第一获取模块，用于获取待解析电子文档的文本模式，具体用于：

确定与所述待解析电子文档的后缀文件名对应的提取工具，得到所述待解析电子文档的提取工具；