[发明专利]一种科技期刊论文word文档的结构化处理方法及装置

权利要求书

1.一种科技期刊论文word文档的结构化处理方法，其特征在于，包括：

根据待处理的科技期刊论文word文档的文档格式，提取所述word文档中文档元素；其中，不同文档元素的元素属性不同；

根据提取的所述文档元素的元素属性，将所述word文档划分为至少一个级别的数据块；其中，每一个级别对应至少一个数据块，且同一级别的所述数据块之间的元素属性不同；

根据每一个数据块的内容信息以及预设的元素属性规则，将划分的至少一个级别的数据块转化为XML数据。

2.根据权利要求1所述的科技期刊论文word文档的结构化处理方法，其特征在于，所述根据待处理的科技期刊论文word文档的文档格式，提取所述word文档中文档元素，包括：

若确定所述待处理的科技期刊论文word文档的文档格式为doc格式，则根据预设的doc格式的文件结构模版提取所述word文档中的文档元素；

若确定所述待处理的科技期刊论文word文档的文档格式为docx格式，则根据预设的docx格式的文件结构模版提取所述word文档中的文档元素。

3.根据权利要求1所述的科技期刊论文word文档的结构化处理方法，其特征在于，所述元素属性包括：元素类型和元素位置；所述根据提取的所述文档元素的元素属性，将所述word文档划分为至少一个级别的数据块，包括：

根据所述word文档中每个文档元素的元素类型，从提取的所述文档元素中获取图形元素；

根据所述图形元素的元素位置以及预设图形属性规则，从提取的除所述图形元素之外的剩余文档元素中获取与各个位置的图形元素相关联的图形标签元素；其中，所述图形元素以及所述图形元素相关联的图形标签元素组成图形数据块。

4.根据权利要求1所述的科技期刊论文word文档的结构化处理方法，其特征在于，所述元素属性包括：元素类型和元素位置；所述根据提取的所述文档元素的元素属性，将所述word文档划分为至少一个级别的数据块，包括：

根据所述word文档中每个文档元素的元素类型，从提取的所述文档元素中获取表格元素；

根据所述表格元素的元素位置以及预设表格属性规则，从提取的除所述表格元素之外的剩余文档元素中获取与各个位置的表格元素相关联的表格标签元素；其中，所述表格元素以及所述表格元素相关联的表格标签元素组成表格数据块。

5.根据权利要求1所述的科技期刊论文word文档的结构化处理方法，其特征在于，所述元素属性包括：元素类型和元素位置；所述根据提取的所述文档元素的元素属性，将所述word文档划分为至少一个级别的数据块，包括：

根据所述word文档中每个文档元素的元素类型，从提取的所述文档元素中的公式元素；

根据所述公式元素的元素位置以及预设公式属性规则，从提取的除所述公式元素之外的剩余文档元素中获取与各个位置的公式元素相关联的公式标签元素；其中，所述公式元素以及所述公式元素相关联的公式标签元素组成公式数据块。

6.根据权利要求1所述的科技期刊论文word文档的结构化处理方法，其特征在于，所述元素属性包括：元素类型和元素位置；所述根据提取的所述文档元素的元素属性，将所述word文档划分为至少一个级别的数据块，包括：

根据所述word文档中每个文档元素的元素类型，从提取的所述文档元素中获取文本元素；

根据所述文本元素和预设的第一级别文本属性规则，将所述word文档划分为多个第一级别文本数据块；其中，所述第一级别文本数据块包括为：前置文本数据块、主体文本数据块和后置文本数据块；

根据每一个所述第一级别文本数据块对应的预设子级别文本属性规则，分别对每一个所述第一级别文本数据块进行分级处理，得到每一个所述第一级别文本数据块对应的子级别文本数据块。