[发明专利]文档解析方法、装置、计算机设备及存储介质

说明书

本发明公开了文档解析方法、装置、计算机设备及存储介质，其中方法可包括：将待处理的预定格式的文档切分为文本节点；针对预定类型的文本节点，分别进行以下处理：获取文本节点的章节模式信息；根据章节模式信息确定出文本节点的层级；按照层级将文本节点加入到所构建的文档树中。应用本发明所述方案，可实现对于文档的层次化解析等。

【技术领域】

本发明涉及计算机应用技术，特别涉及文档解析方法、装置、计算机设备及存储介质。

【背景技术】

在金融、公安、司法等重要领域中，存在着大量直接或间接依赖于知识图谱的需求与功能。例如，金融行业的智能客服、智能投研、智能投顾、风控决策；法律行业的智能搜索、法律推理、智能判案、文书撰审等。同时，这些行业中的公司、机构积累了大量的专业文档，可以用于构建行业知识图谱，从而满足相关需求。

通常情况下，这些行业中的专业文档都存储成doc、docx、pdf等格式，其内容无法作为结构化信息存储在关系数据库中。但是这些专业文档通常都具有一定的层次化结构特点，其中蕴含了构建知识图谱所需的信息，可辅助构建行业知识主谓宾(SPO，SubjectProperty Object)三元组等。为此，需要对上述文档进行层次化解析，但目前还没有一种较好的实现方式。

【发明内容】

有鉴于此，本发明提供了文档解析方法、装置、计算机设备及存储介质。

具体技术方案如下：

一种文档解析方法，包括：

将待处理的预定格式的文档切分为文本节点；

针对预定类型的文本节点，分别进行以下处理：

获取所述文本节点的章节模式信息；

根据所述章节模式信息确定出所述文本节点的层级；

按照所述层级将所述文本节点加入到所构建的文档树中。

根据本发明一优选实施例，所述预定格式包括：超文本标记语言格式；

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。

根据本发明一优选实施例，所述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。

根据本发明一优选实施例，所述预定类型的文本节点包括：从非目录页中切分出的文本节点。

根据本发明一优选实施例，所述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，将所述文本节点的除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。

根据本发明一优选实施例，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。

根据本发明一优选实施例，该方法进一步包括：获取所述文档的文档标题，将所述文档标题设置为所述文档树的根节点。