[发明专利]文档解析方法、装置、计算机设备及存储介质

权利要求书

1.一种文档解析方法，其特征在于，包括：

将待处理的预定格式的文档切分为文本节点，包括：将所述文档切分为段落粒度的文本节点；所述预定格式包括：超文本标记语言格式；

针对从非目录页中切分出的文本节点，分别进行以下处理：

获取所述文本节点的章节模式信息，包括：若所述文本节点中存在显式的章节模式信息，则解析出所述章节模式信息，作为所述文本节点的章节模式信息；或者，若目录页中存在与所述文本节点中的文本内容相同的内容，则获取所述目录页中的所述文本内容对应的章节模式信息，作为所述文本节点的章节模式信息；或者，将所述文本节点除li标签之外的超文本标记语言路径信息作为所述文本节点的章节模式信息；

根据所述章节模式信息确定出所述文本节点的层级，包括：确定所述文本节点的章节模式信息是否存在于全局章节模式序列中，若是，则将所述文本节点的章节模式信息在所述全局章节模式序列中的位置序号作为所述文本节点的层级，若否，则将所述文本节点的章节模式信息加入到所述全局章节模式序列中，并将所述文本节点的章节模式信息在所述全局章节模式序列中的位置序号作为所述文本节点的层级，其中，所述位置序号为不同章节模式信息加入到所述全局章节模式序列中的顺序序号，所述全局章节模式序列初始为空，初始化时，将所述文档的文档标题对应的章节模式信息加入到所述全局章节模式序列中，并将所述文档标题对应的章节模式信息在所述全局章节模式序列中的位置序号作为根节点的层级，所述文档标题被设置为所述根节点；

按照所述层级将所述文本节点加入到所构建的文档树中。

2.根据权利要求1所述的方法，其特征在于，

该方法进一步包括：若所述文档的格式不为超文本标记语言格式，则将所述文档转换为超文本标记语言格式。

3.根据权利要求1所述的方法，其特征在于，

该方法进一步包括：识别出文本内容为目录标题的文本节点，识别出位于所述文本内容为目录标题的文本节点之后的、文本内容为目录内容的文本节点，从所述文本内容为目录内容的文本节点中解析出章节模式信息；其中，所述文本内容为目录标题的文本节点以及所述文本内容为目录内容的文本节点均为从目录页中切分出的文本节点；

所述获取所述目录页中的所述文本内容对应的章节模式信息包括：将包含所述文本内容的目录内容对应的章节模式信息作为所述文本内容对应的章节模式信息。

4.根据权利要求1所述的方法，其特征在于，

获取所述文档的文档标题包括：

若所述文档存在标题标签，则将所述标题标签对应的内容作为所述文档标题，否则，将所述文档的文件名作为所述文档标题。

5.根据权利要求1所述的方法，其特征在于，

该方法进一步包括：在确定出所述文本节点的层级之后，删除所述全局章节模式序列中位置序号大于所述文本节点的层级的章节模式信息。

6.根据权利要求1所述的方法，其特征在于，

该方法进一步包括：初始状态，将所述根节点设置为基准树节点；

所述按照所述层级将所述文本节点加入到所构建的文档树中包括：

将所述文本节点的层级与基准树节点的层级进行比较，根据比较结果将所述文本节点作为基准树节点的孩子节点或兄弟节点加入到所述文档树中，并将所述文本节点设置为基准树节点。

7.根据权利要求6所述的方法，其特征在于，

所述将所述文本节点的层级与基准树节点的层级进行比较，根据比较结果将所述文本节点作为孩子节点或兄弟节点加入到所述文档树中包括：

若所述文本节点的层级大于基准树节点的层级，则将所述文本节点作为基准树节点的孩子节点加入到所述文档树中；

若所述文本节点的层级等于基准树节点的层级，则将所述文本节点作为基准树节点的兄弟节点加入到所述文档树中；

若所述文本节点的层级小于基准树节点的层级，则执行以下预定处理：将当前的基准树节点的上一层级节点作为更新后的基准树节点，若更新后的基准树节点的层级小于所述文本节点的层级，则将所述文本节点作为更新后的基准树节点的孩子节点加入到所述文档树中，否则，重复执行所述预定处理。