[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

说明书

本发明公开了一种医药文档结构化内容分析方法，包括如下步骤：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；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；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；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。通过对电子文档结构化解析后，不仅可以利用数据库的搜索能力，还能更好的对上下文内容进行隔离，准确缩小搜索范围。

技术领域

本发明涉及数据处理和分析技术领域，尤其涉及一种医药文档结构化内容分析方法、系统和存储介质。

背景技术

近些年来国家对药企的监管越来越严，出台的法规越来越多，执行也是越来越严格。按照法规要求，药企在申报新药的时候需要提交数量庞大的文档资料，所有提交的文档都必须是真实合规的。如果文档中的内容出现前后不一致等情况，将导致整个产品的合规性得不到满足，企业将被处以整改等强制措施，药品的上市将会受到严重影响。因此企业内会设有专门团队来负责所有文档的审核；若后续出现对实验方法或使用物料的调整，原先审核通过的文档也必需一一修改，因此药品申报文档的审核是件非常细致且极其重要的工作。

目前一款新药的申报往往需要持续5年以上，药企在这个过程中会积累庞大数量的文档资料，企业内部会对这些文档进行严格管控和频繁查询使用。同时在研发过程中这些医药文档需要不断的添加、修改，而且要修改的内容可能会存在于多个文档中，因此经常会出现漏改的情况，这对今后的审核就会造成极大的隐患。为了避免文档中出现漏改、错改的情况，企业在提交前会耗费大量的人力物力进行大量的文档审阅工作，但即使这样仍然还是会有许多被遗漏的问题未被发现。

发明内容

本发明针对现有技术中的不足，提供了一种医药文档结构化内容分析方法， 具体包括如下步骤：

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；

步骤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；

步骤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，获取两表格中的内容一致单元格的坐标及内容，根据内容一致单元格的数量和/或分布位置来筛选出存在关联的表格并将关联表格对标签添加至位置关联标签组；

步骤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。

优选的，所述步骤S3还包括：对每一个结构化数据进行解析，每解析完一数据在该节点前插入一包含标签信息的锚点后保存至数据库。

优选的，所述步骤S3还包括：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；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，并标记关联表格对标签。