[发明专利]一种Word文档信息提取方法、装置、电子设备及介质

说明书

本申请提供了一种Word文档信息提取方法、装置、电子设备及介质，其中，该方法包括：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。本申请实施例提供的Word文档信息提取方案无需手工维护大量规则，可以提高兼容度，同时大幅度降低维护成本。

技术领域

本申请涉及文档提取技术领域，尤其是涉及一种Word文档信息提取方法、装置、电子设备及介质。

背景技术

Microsoft Word在当前使用中是占有巨大优势的文字处理器，这使得Word专用的档案格式Word文件(.doc)成为事实上最通用的标准。Word文件格式的详细资料并不对外公开。Word文件格式不只一种，因为随Word软件本身的更新，文件格式也会或多或少的改版，新版的格式不一定能被旧版的程序读取(大致上是因为旧版并未内建支援新版格式的能力)。

目前的Word文件基本都以docx为文件扩展名，docx是微软Word的文件扩展名，Microsoft Office2007之后版本使用，其基于Office Open XML标准的压缩文件格式取代了其以前专有的默认文件格式，在传统的文件名扩展名后面添加了字母“x”(即“.docx”取代“.doc”、“.xlsx”取代“.xls”、“.pptx”取代“.ppt”)。docx文件比doc文件所占用空间更小，docx格式的文件本质上是一个ZIP文件。

现有技术中，对Word文档信息提取的方案主要使用主流开放源码函式库进行文本格式的数据进行读写，然后将其组织成预设格式。

申请人在研究中发现，现有技术中当文本中的数据列增加或者减少时需要重新修改代码，对于文本中存在换行、分栏等情况未做考虑，导致文本合并存在错误较多的情况，所以该方案兼容度差且维护成本高。

发明内容

有鉴于此，本申请的目的在于提供一种Word文档信息提取方法、装置、电子设备及介质，无需手工维护大量规则，可以提高兼容度，同时大幅度降低维护成本。

第一方面，本申请实施例提供了一种Word文档信息提取方法，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。

在一种可能的实施方式中，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。

在一种可能的实施方式中，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。

在一种可能的实施方式中，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。

在一种可能的实施方式中，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。