[发明专利]一种表格分析数据集的配置方法、系统及介质

权利要求书

1.一种表格分析数据集的配置方法，其特征在于，包括以下步骤：

获取源代码：

获取源文档，识别所述源文档的文档类型，基于所述文档类型获取所述源文档的源代码数据；

创建表格结构树：

设定识别码，基于所述识别码对所述源代码数据进行筛选处理操作，得到结构源码，基于所述结构源码创建逻辑关系库；

配置表格样式数据库，基于所述表格样式数据库和所述源代码数据获取第一样式信息和第二样式信息；

配置大数据分析程序，设置基准频率，基于所述第一样式信息、所述第二样式信息、所述大数据分析程序和所述基准频率创建高频样式库和低频样式库；

配置结构树模板，基于所述逻辑关系库、所述高频样式库、所述低频样式库和所述结构树模板构建所述表格结构树；

配置分析数据集：

配置格式转换程序，获取算法模型，基于所述表格结构树、所述格式转换程序和所述算法模型配置所述分析数据集；

所述基于所述结构源码创建逻辑关系库的步骤进一步包括：识别所述结构源码中的行源码和列源码，提取所述行源码的第一位置标记参数和所述列源码的第二位置标记参数，基于所述第一位置标记参数和所述第二位置标记参数计算表格位置数据；判断所述行源码与所述列源码之间是否存在逻辑源码，若存在，则整合所述结构源码、所述表格位置数据和所述逻辑源码，得到所述逻辑关系库；

所述基于所述第一样式信息、所述第二样式信息、所述大数据分析程序和所述基准频率创建高频样式库和低频样式库的步骤进一步包括：调用所述大数据分析程序获取与所述第一样式信息所对应表格的第一使用频率、与所述第二样式信息所对应表格的第二使用频率以及与所述第一样式信息和所述第二样式信息的组合信息所对应表格的第三使用频率；将所述第一使用频率、所述第二使用频率和所述第三使用频率中与所述基准频率相匹配的使用频率所对应的样式信息进行整合，得到所述高频样式库；将所述第一使用频率、所述第二使用频率和所述第三使用频率中与所述基准频率非匹配的使用频率所对应的样式信息进行整合，得到所述低频样式库；

所述基于所述表格结构树、所述格式转换程序和所述算法模型配置所述分析数据集的步骤进一步包括：识别所述算法模型的模型类别，若所述模型类别为表格格式检测类，则提取所述表格结构树中的逻辑关系库，并调用所述格式转换程序将所述逻辑关系库中的所述结构源码和所述表格位置数据分别转换为结构标识序列和位置标识序列；整合所述结构标识序列与所述位置标识序列，得到所述分析数据集；若所述模型类别为表格内容识别类，则提取所述表格结构树中的所述逻辑关系库、所述高频样式库和所述低频样式库；调用所述格式转换程序将所述逻辑关系库中的逻辑源码、所述高频样式库中的样式信息和所述低频样式库中的样式信息分别转换为逻辑标识序列、第一样式序列和第二样式序列；整合所述逻辑标识序列、所述第一样式序列和所述第二样式序列，得到所述分析数据集。

2.根据权利要求1所述的表格分析数据集的配置方法，其特征在于，所述基于所述文档类型获取所述源文档的源代码数据的步骤进一步包括：

若所述文档类型为编辑类文档，则获取所述源文档的数据层代码，并设定所述数据层代码为所述源代码数据；

若所述文档类型为排版类文档，则获取与所述源文档对应的排版文件，访问预打印数据库中与所述排版文件相匹配的文件源码，并设定所述文件源码为所述源代码数据。

3.根据权利要求2所述的表格分析数据集的配置方法，其特征在于，所述筛选处理操作包括：

调用解压缩算法对所述源代码数据进行解压处理，得到解压文件；

在所述解压文件的数据包中提取与所述识别码相匹配的标识性文件；

识别所述标识性文件的标识源码，并在所述标识源码中提取若干表格格式代码段，整合若干所述表格格式代码段，得到所述结构源码。

4.根据权利要求3所述的表格分析数据集的配置方法，其特征在于，所述基于所述表格样式数据库和所述源代码数据获取第一样式信息和第二样式信息的步骤进一步包括：

获取表格版本信息，在所述表格样式数据库中提取与所述表格版本信息相匹配的第一表格模板，提取所述第一表格模板的第一模板源码，并设定所述第一模板源码为所述第一样式信息；

提取所述源代码数据中的第二模板源码，并设定所述第二模板源码为所述第二样式信息。