[发明专利]一种Word文档信息提取方法、装置、电子设备及介质

权利要求书

1.一种Word文档信息提取方法，其特征在于，包括：

检测当前Word文档的文件扩展名是否为docx；

若当前Word文档的文件扩展名为docx，则将所述当前Word文档转换为xml文件；

提取所述xml文件中不同文件类型的文件；

针对每一种文件类型，采用与该文件类型对应的提取方式，对该文件类型的文件进行信息提取。

2.根据权利要求1所述的方法，其特征在于，所述文件类型包括文本类型、表格类型和图片类型中的至少一种。

3.根据权利要求2所述的方法，其特征在于，针对每一种文件类型，采用与该文件类型对应的提取方式，对该文件类型的文件进行信息提取，包括：

针对文本类型，采用正则表达式技术和/或命名实体识别技术提取所述文本类型的文件的文本信息。

4.根据权利要求2所述的方法，其特征在于，针对每一种文件类型，采用与该文件类型对应的提取方式，对该文件类型的文件进行信息提取，包括：

针对表格类型，提取所述表格类型的文件的文档名称、表格描述的相关信息以及表格内部信息所对应的列名和行名中的至少一项。

5.根据权利要求2所述的方法，其特征在于，针对每一种文件类型，采用与该文件类型对应的提取方式，对该文件类型的文件进行信息提取，包括：

针对图片类型，提取所述图片类型的文件的文档名称和图片描述的相关信息中的至少一项。

6.根据权利要求1所述的方法，其特征在于，还包括：

将不同文件类型的文件所提取到的信息整合成用于构建知识图谱的节点。

7.根据权利要求1所述的方法，其特征在于，还包括：

若当前Word文档的文件扩展名为doc，则将文件扩展名为doc的所述当前Word文档转换为文件扩展名为docx的所述当前Word文档。

8.一种Word文档信息提取装置，其特征在于，包括：

检测模块，用于检测当前Word文档的文件扩展名是否为docx；

转换模块，用于在当前Word文档的文件扩展名为docx时，将所述当前Word文档转换为xml文件；

第一提取模块，用于提取所述xml文件中不同文件类型的文件；

第二提取模块，用于针对每一种文件类型，采用与该文件类型对应的提取方式，对该文件类型的文件进行信息提取。

9.一种电子设备，其特征在于，包括：处理器、存储介质和总线，所述存储介质存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储介质之间通过总线通信，所述处理器执行所述机器可读指令，以执行如权利要求1至7任一所述方法的步骤。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行如权利要求1至7任一所述方法的步骤。