[发明专利]一种医药文档结构化内容分析方法、系统和存储介质

权利要求书

1.一种医药文档结构化内容分析方法，其特征在于，包括如下步骤：

S1，将不同格式的电子文档转化为统一文档格式，按OpenXML标准对文档进行识别，对各文档内部包括但不限于页头、页尾和图片进行提取；

S2，将提取出到的页头、页尾和图片XML资源转换添加至HTML预览文件，并在标题列表、段落和表格前分别添加第一标签、第二标签和第三标签；

S3，根据生成的HTML预览文件，按第二标签来提取每段内容并过滤掉HTML标签生成文本内容，所述每段内容包括但不限于图片和表格，根据文档内顺序和关联关系对各段文本和表格添加位置关联标签组，生成包括文档、位置关联标签组和文本内容的结构化数据；

根据第三标签提取表格数据遍历表格内每一单元格，获取包含表格各单元格的坐标和内容的结构化数据，对各表格结构化数据逐对进行比较，获取各表格的内容一致单元格数量和其在表格中的分布位置，并获取各表格的最小表格矩阵，所述最小表格矩阵为包含有该表格内所有内容一致单元格的最小矩形表格区域；当内容一致单元格数量大于预设值时，和/或内容一致单元格数量的两倍要大于所在两表格所包含单元格数量之和的预设比例时，和/或内容一致单元格数量大于其所在最小表格矩阵内的单元格总数的预设比例时，判断该两表格为具有关联的关联表格对，标记关联表格对标签添加至位置关联标签组；

S4，将所述结构化数据存储至数据库，根据输入的检索文本确认位置关联标签组，并根据所述位置关联标签组展现对应的HTML预览页面内容。

2.根据权利要求1所述的医药文档结构化内容分析方法，其特征在于：所述步骤S3还包括：

对每一个结构化数据进行解析，每解析完一数据在节点前插入一包含标签信息的锚点后保存至数据库。

3.根据权利要求2所述的医药文档结构化内容分析方法，其特征在于，所述步骤S3还包括：

比较关联表格对的各单元格内容，根据内容不一致单元格的分布位置筛选出关联表格对上的异常单元格组，所述异常单元格组包括部分或全部内容不一致单元格；

对关联表格对的异常单元格组中对应单元格内容进行对比，记录单元格内容中的不一致字符集合。

4.根据权利要求3所述的医药文档结构化内容分析方法，其特征在于，所述步骤比较关联表格对的各单元格内容，根据内容不一致单元格的分布位置筛选出关联表格对上的异常单元格组，具体包括：

当关联表格对的两最小表格矩阵的行列数一致时，遍历最小表格矩阵的每一单元格，比较两最小表格矩阵对应位置的内容是否相同，若存在不同则将其中内容不一致单元格坐标和内容进行记录并生成异常单元格组，否则不进行记录；

当关联表格对中一表格的最小表格矩阵经转置后与另一表格的最小表格矩阵的行列数均相等时将该表格转置形成第二转置表格，比较第二转置表格最小表格矩阵与另一表格最小表格矩阵在对应位置的内容是否相同，若存在不同则将其中内容不一致单元格坐标和内容录入异常单元格组。

5.根据权利要求4所述的医药文档结构化内容分析方法，其特征在于，所述步骤S4还包括：

将输入的检索文本与异常单元格组中不一致单元格内容进行比较；

如果异常单元格中存在检索文本，则根据对应关联表格对标签获取关联表格对；

将该关联表格对和异常单元格在HTML预览页面中进行标记处理。

6.一种医药文档结构化内容分析系统，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于：所述处理器执行所述计算机程序时实现如权利要求1-5任一所述方法的步骤。

7.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于：所述计算机程序被处理器执行时实现如权利要求1-5任一所述方法的步骤。