[发明专利]一种基于大数据的PDF文档处理方法及装置

说明书

本发明公开了一种基于大数据的PDF文档处理方法及装置，该方法包括：利用去重技术和格式转换技术，构建包含多个不同文档格式财务文档的多格式文档池；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，对多个不同文档格式的财务文档进行定位解析处理后，获得财务数据以及与财务数据对应的指标名称和时间；利用财务数据所对应的不同解析结果，对财务数据进行校验。该装置包括用于存储程序的存储器以及用于加载程序并执行所述基于大数据的PDF文档处理方法的处理器。通过使用本发明，能够快速、准确地对多种不同格式的财务文档进行财务数据的解析提取。本发明作为一种基于大数据的PDF文档处理方法及装置可广泛应用于大数据解析领域中。

技术领域

本发明涉及大数据处理技术，尤其涉及一种基于大数据的PDF文档处理方法及装置。

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，这些财务文档通常被保存为PDF格式，且其中部分为图片格式的PDF文档，因此如何对这些PDF文档中的财务数据进行自动、快速、准确的解析提取，这对企业而言，其在降低数据获取成本、提高数据准确率和处理效率等方面具有重要的意义。

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基于大数据的PDF文档处理方法、系统及装置，可快速、准确地对多个财务文档进行财务数据的解析提取。

本发明所采用的第一技术方案是：一种基于大数据的PDF文档处理方法，该方法包括以下步骤：

利用去重技术和格式转换技术，构建多格式文档池，其中，所述多格式文档池包含多个不同文档格式的财务文档；

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，对多个不同文档格式的财务文档进行定位解析处理后，获得财务数据以及与财务数据对应的指标名称和时间；

利用财务数据所对应的不同解析结果，对财务数据进行校验。

本发明所采用的第二技术方案是：一种基于大数据的PDF文档处理系统，该系统包括：

构建单元，用于利用去重技术和格式转换技术，构建多格式文档池，其中，所述多格式文档池包含多个不同文档格式的财务文档；

解析单元，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，对多个不同文档格式的财务文档进行定位解析处理后，获得财务数据以及与财务数据对应的指标名称和时间；

校验单元，用于利用财务数据所对应的不同解析结果，对财务数据进行校验。

本发明所采用的第三技术方案是：一种基于大数据的PDF文档处理装置，该装置包括：

至少一个处理器；

至少一个存储器，用于存储至少一个程序；

当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现如上述第一技术方案所述一种基于大数据的PDF文档处理方法。