[发明专利]应用于大数据分析中的文档解析处理方法、系统及装置

说明书

本发明公开了一种文档解析处理方法、系统及装置，该方法包括：利用财务指标的正则表达式规则、起始特征指标和结束特征指标，对不同格式的文档进行财务报表的定位处理；对财务报表内的数据进行定位处理后，记录财务数据及对应的指标名称和时间；对数值型数据进行单位换算后记录数据。该系统包括：构建单元、获取单元、第一定位单元、第二定位单元及换算单元。该装置包括存储器及处理器，当程序被处理器执行，令处理器实现所述文档解析处理方法。本发明能够快速、准确地对不同格式文档中的财务数据进行解析，提高解析方案的应用兼容性、全面性、准确度和处理效率。本发明作为文档解析处理方法、系统及装置可广泛应用于大数据解析技术领域中。

技术领域

本发明涉及大数据解析技术，尤其涉及一种应用于大数据分析中的文档解析处理方法、系统及装置。

背景技术

技术词解释：

正则表达式：使用单个字符串来描述、匹配一系列匹配某个句法规则的字符串。

资产负债表：表示企业在一定日期(通常为各会计期末)的财务状况(即资产、负债和业主权益的状况)的主要会计报表。

利润表：反映企业在一定会计期间经营成果的报表。

现金流量表：反映企业在一定会计期间现金和现金等价物流入和流出的报表。

在企业财务大数据分析领域中，许多财务数据的获取需要从公司披露的年报或发债时发布的募集说明书等文档中进行提取，并且对提取得到的数据的准确性有很高的要求。目前，这些文档通常被保存为PDF格式，因此，目前对于对文档解析以实现数据提取的方案，其仅针对PDF文档做出了研究，也就是说，现有的文档解析方案仅能作用于PDF文档中。然而，实际上，除了PDF格式外，财务数据文档还会被保存为其它文档格式，如WORD格式、EXCEL格式等，而现有的文档解析方案却无法适用于除PDF格式外的其它格式文档中，这样则限制了文档解析的数据源的获取渠道，且降低了文档解析的应用兼容性和全面性。由此可见，设计一种可对多种不同格式的文档进行快速、准确解析处理的方案，是目前迫切需要解决的问题之一。

发明内容

为了解决上述技术问题，本发明的目的是提供一种应用于大数据分析中的文档解析处理方法、系统及装置，可对多种不同格式的财务文档进行快速、准确的解析处理。

本发明所采用的第一技术方案是：应用于大数据分析中的文档解析处理方法，该方法包括以下步骤：

构建财务指标的正则表达式规则；

获取财务报表的起始特征指标和结束特征指标；

利用财务指标的正则表达式规则、起始特征指标和结束特征指标，对不同格式的文档进行财务报表的定位处理；

对财务报表内的数据进行定位处理后，记录财务数据以及与财务数据对应的指标名称和时间；

对属于数值型的数据进行单位换算后，记录换算后得到的数据。

本发明所采用的第二技术方案是：应用于大数据分析中的文档解析处理系统，该系统包括：

构建单元，用于构建财务指标的正则表达式规则；

获取单元，用于获取财务报表的起始特征指标和结束特征指标；

第一定位单元，用于利用财务指标的正则表达式规则、起始特征指标和结束特征指标，对不同格式的文档进行财务报表的定位处理；

第二定位单元，用于对财务报表内的数据进行定位处理后，记录财务数据以及与财务数据对应的指标名称和时间；

换算单元，用于对属于数值型的数据进行单位换算后，记录换算后得到的数据。

本发明所采用的第三技术方案是：应用于大数据分析中的文档解析处理装置，该装置包括：