[发明专利]文档类型识别方法、装置、设备和计算机可读存储介质

说明书

本发明公开了一种文档类型识别方法、装置、设备和计算机可读存储介质。该方法包括：读取代码形式的电子文档，得到电子文档的文档代码；在预设的多种代码特征中，识别文档代码符合的代码特征；根据文档代码符合的代码特征以及电子文档的文档结构信息，确定电子文档是否为结构文档；如果确定电子文档是结构文档，则将电子文档识别为电子文档的文档结构信息对应的文档类型；反之，则将电子文档识别为文档代码符合的代码特征对应的文档类型。于本实施例依赖于电子文档本身的代码特征和文档结构信息，不受应用场景的限制，所以文档类型的识别准确性较高，而且避免了根据电子文档的电子文档名后缀识别文档类型不准确的问题。

技术领域

本发明涉及计算机技术领域，尤其涉及一种文档类型识别方法、装置、设备和计算机可读存储介质。

背景技术

电子文档的格式种类多样，例如：doc、docx、ppt、pptx、xls、xlsx、pdf、rar、zip、7z等种类的文档。目前，通常是根据电子文档名的后缀来识别电子文档的文档类型。例如：.doc后缀表示word97-2003的doc文档，.docx后缀表示word2007及之后版本的doc文档。然而，通过电子文档名的后缀识别电子文档的文档类型的方式存在以下不足之处：

第一、由于电子文档名的后缀是可更改的，所以，通过后缀识别文档类型识别容易出错。例如：用户可以将电子文档名的后缀.doc更改为.docx，这样根据电子文档名的后缀识别出的文档类型将出现错误。

第二、在一些应用场景中，电子文档名是允许没有后缀的，这将导致无法识别电子文档的文档类型。例如：在linux操作系统中，电子文档名可以没有后缀。又如：通过网络流量截获的文档，也是可以没有后缀的。

综上所述，通过电子文档名的后缀识别电子文档的文档类型准确性较低。

发明内容

本发明的主要目的在于提供一种文档类型识别方法、装置、设备和计算机可读存储介质，以解决通过电子文档名的后缀识别电子文档的文档类型准确性较低的问题。

针对上述技术问题，本发明实施例是通过以下技术方案来解决的：

本发明提供了一种文档类型识别方法，包括：读取代码形式的电子文档，得到所述电子文档的文档代码；在预设的多种代码特征中，识别所述文档代码符合的代码特征；根据所述文档代码符合的代码特征以及所述电子文档的文档结构信息，确定所述电子文档是否为结构文档；如果确定所述电子文档是结构文档，则将所述电子文档识别为所述电子文档的文档结构信息对应的文档类型；反之，则将所述电子文档识别为所述文档代码符合的代码特征对应的文档类型。

其中，所述读取代码形式的电子文档，包括：读取二进制代码形式或者十六进制代码形式的电子文档。

其中，所述根据所述文档代码符合的代码特征以及所述电子文档的文档结构信息，确定所述电子文档是否为结构文档，包括：如果所述文档代码符合的代码特征是结构文档对应的代码特征，并且，所述电子文档的文档结构信息符合结构文档的其中一种文档类型对应的文档结构特征，则确定所述电子文档为结构文档；所述将所述电子文档识别为所述电子文档的文档结构信息对应的文档类型，包括：将所述电子文档识别为所述文档结构信息符合的文档结构特征对应的文档类型。

其中，所述结构文档的种类，包括：压缩文档和复合文档；所述根据所述文档代码符合的代码特征以及所述电子文档的文档结构信息，确定所述电子文档是否为结构文档，包括：如果所述文档代码符合的代码特征是压缩文档对应的代码特征，则对所述电子文档执行解压缩处理；在所述解压缩后的所述电子文档的文档结构信息中，确定一级目录下的文档信息是否符合压缩文档的其中一种文档类型对应的文档结构特征；如果所述一级目录下的文档信息符合压缩文档的其中一种文档类型对应的文档结构特征，则确定所述电子文档为结构文档。