[发明专利]一种信息处理的方法

说明书

本发明涉及文本内容提取技术领域，尤其涉及一种信息处理的方法，包括以下步骤：提取文档文件中所有文字的坐标，并根据每个文字的坐标对所有文字进行分行；从每行的文字中去除时间格式内容、空格和冒号得到每行的标准文字；计算每行的标准文字中相邻字符之间的间隙，并根据间隙对每行的标准文字进行分组；根据每行的标准文字中每个字符类型，对每行的标准文字进行切分处理以得到行切分结果；汇总每行输出的行切分结果。本发明的一种信息处理的方法，免去字段值切分时的繁琐配置，实现零配置切分，适配各种文本版面，使得结构化提取过程变得简单、适应能力强。

技术领域

本发明涉及文本内容提取技术领域，尤其涉及一种信息处理的方法。

背景技术

医学电子报告多以PDF，XPS格式文件为主，包含丰富的患者个人和病历数据，XPS文档与PDF文档类似，是一种只读文档格式，其采用结构化数据形式保存数据，在使用计算机读取文档内容时，需要进行相应的解析和提取处理。目前对文档进行结构化提取的过程中，大部分是采用模板匹配或正则表达式提取的方式对多个字段值进行切分，这两种方式都需要根据每一种文档的文字内容及布局进行单独的模板或正则表达式的配置，步骤繁琐，适配能力差。

发明内容

针对现有技术中存在的问题，本发明提供一种针对PDF，XPS格式文件对其文本内容分块的方法。

一种信息处理的方法，包括以下步骤：

提取文档文件中所有文字的坐标，并根据每个文字的坐标对所有文字进行分行；

从每行的文字中去除时间格式内容、空格和冒号得到每行的标准文字；

计算每行的标准文字中相邻字符之间的间隙，并根据间隙对每行的标准文字进行分组；

根据每行的标准文字中每个字符类型，对每行的标准文字进行切分处理以得到行切分结果；

汇总每行输出的行切分结果。

进一步的，切分处理具体为：

当标准文字包括中文和英文时，根据字符之间的间隙以及字符自身宽度对中文词语与英文单词进行分割。

进一步的，切分处理具体为：

当标准文字中相邻两个字符间隙是否在第一预设间隙和第二预设间隙时，判断相邻两个字符的重叠范围是否超过预设字宽；

如果是，相邻两个字符属于同一块；

如果否，对相邻两个字符进行切分。

进一步的，切分处理具体为：

当相邻两个字符的高度差大于预设高度比值时，对相邻两个字符进行切分进一步的，切分处理具体为：

标准文字中字符位于括号中间时，则判断相邻两个字符属于同一块。

进一步的，分行具体为：

对于存在上下重叠或者挂角的行，归为同一行。

进一步的，从每行的文字中去除时间格式内容、空格和冒号得到每行的标准文字的步骤之前，还包括以下步骤：

用预设的正则表达式把每行的文字中时间格式内容提取出来。

本发明的一种信息处理的方法，以字符为单位，以字符对应的坐标进行分行处理，在得到标准文字后通过计算文字之间的间隙进行分组、行切分处理。该种方法免去字段值切分时的繁琐配置，实现零配置切分，适配各种文本版面，使得结构化提取过程变得简单、适应能力强。

附图说明