[发明专利]一种对docx格式文档进行结构化解析方法及系统

权利要求书

1.一种对docx格式文档进行结构化解析方法，其特征在于，所述方法包括：

将被改成ZIP后缀的文件进行解压，得到解压文件；

提取所述解压文件中的document.xml文件；

对所述document.xml文件进行段落内容解析，得到段落文本内容；

和/或对所述document.xml文件进行表格解析，得到表格内容；

和/或对所述document.xml文件进行图片解析，得到图片；

将所述段落文本内容、所述表格内容和所述图片按照所述document.xml文件出现的顺序排版，得到完整docx格式文档。

2.根据权利要求1所述的对docx格式文档进行结构化解析方法，其特征在于，所述将被改成ZIP后缀的文件进行解压，得到解压文件，具体包括：

将扩展名为docx的文件改成ZIP后缀，得到被改成ZIP后缀的文件；

利用解压软件对被改成ZIP后缀的文件进行解压，得到解压文件。

3.根据权利要求1所述的对docx格式文档进行结构化解析方法，其特征在于，所述提取所述解压文件中的document.xml文件具体包括：

获取所述解压文件中word文件夹；

打开所述word文件夹找到document.xml文件；

提取所述word文件夹中的Media文件存储的图片。

4.根据权利要求1所述的对docx格式文档进行结构化解析方法，其特征在于，所述对document.xml文件进行段落内容解析，得到段落文本内容，具体包括：

利用正则表达式提取所述document.xml文件所有w:p的内容；

利用正则表达式在每一w:p的内容中提取所有w:t的内容；

将所述所有w:t的内容按照在所述document.xml文件出现的顺序拼接，得到段落文本内容。

5.根据权利要求1所述的对docx格式文档进行结构化解析方法，其特征在于，所述对所述document.xml文件进行表格解析，得到表格内容，具体包括：

利用正则表达式提取所述document.xml文件所有w:tbl的内容；

利用正则表达式在每一w:tbl的内容中提取所有w:tr的内容；

利用正则表达式在每一w:tr的内容中提取所有w:tc的内容，得到所有单元格；

利用正则表达式每一w:tc的内容中提取所有w:p的内容；

利用正则表达式在每一w:p的内容中提取所有w:t的内容，得到单元格内文本；

将所述单元格和所述单元格内文本按照在所述document.xml文件出现的顺序拼接，得到表格。

6.根据权利要求1所述的对docx格式文档进行结构化解析方法，其特征在于，所述对所述document.xml文件进行图片解析，得到图片，具体包括：

提取所述document.xml文件中所有a:blip r:embed＝rId11的内容；

并获取rId11在document.xml.rels文件中的定义；

根据所述定义确定所述解压文件中media文件夹内的对应图片；

按照所述a:blip r:embed＝rId11内容在所述document.xml文件中出现的位置排布确定的对应图片。