[发明专利]文档结构化方法、装置、电子设备和存储介质

说明书

本发明提供一种文档结构化方法、装置、电子设备和存储介质，所述方法包括：提取目标文档中各文本行的视觉特征；基于各文本行的视觉特征，对各文本行逐行进行结构关系解码和基于结构关系的结构化类型解码，得到各文本行之间的结构关系，以及各文本行的结构化类型；基于各文本行之间的结构关系，以及各文本行的结构化类型，对目标文档进行结构化处理。本发明基于目标文档中各文本行的视觉特征，确定各文本行之间的结构关系以及各文本行的结构化类型，并基于各文本行之间的结构关系，以及各文本行的结构化类型，对目标文档进行结构化处理，使得结构化处理后的目标文档能够准确表征有各文本行之间的空间结构信息，鲁棒性较高。

技术领域

本发明涉及文档处理技术领域，尤其涉及一种文档结构化方法、装置、电子设备和存储介质。

背景技术

现有的纸质文档办公场景中，典型的一种应用场景是需要将纸质文档扫描为电子文档，以便于后续查询、整理或保存。

目前，多通过将纸质文档扫描成图片，并基于OCR识别网络从图片中识别得到文档中文本行的内容，然后利用预设规则(例如从上到下从左到右的规则)将文本行进行空间建模排序，从而得到电子文档。然而，当纸质文档的文本场景改变时，基于预设规则构建得到的电子文档无法准确反映文档的空间顺序，鲁棒性较差；此外，该方法得到的电子文档无法进行批量整理，如当需要自动化批量抽取出电子文档的标题目录信息时，无法从该电子文档中有效抽取得到标题目录信息。

发明内容

本发明提供一种文档结构化方法、装置、电子设备和存储介质，用以解决现有技术中文档结构化鲁棒性较差，且电子文档无法进行批量整理的缺陷。

本发明提供一种文档结构化方法，包括：

提取目标文档中各文本行的视觉特征；

基于所述各文本行的视觉特征，对所述各文本行逐行进行结构关系解码和基于结构关系的结构化类型解码，得到所述各文本行之间的结构关系，以及所述各文本行的结构化类型；

基于所述各文本行之间的结构关系，以及所述各文本行的结构化类型，对所述目标文档进行结构化处理。

根据本发明提供的一种文档结构化方法，所述基于所述各文本行的视觉特征，对所述各文本行逐行进行结构关系解码和基于结构关系的结构化类型解码，得到所述各文本行之间的结构关系，以及所述各文本行的结构化类型，包括：

基于所述各文本行的视觉特征，对当前文本行进行结构关系解码，得到所述当前文本行的父节点与所述各文本行之间的相关性；

基于所述当前文本行的父节点与所述各文本行之间的相关性，确定所述当前文本行的父节点文本行；

基于所述各文本行的视觉特征，以及所述当前文本行的父节点与所述各文本行之间的相关性，对当前文本行进行结构化类型解码，得到所述各文本行的结构化类型。

根据本发明提供的一种文档结构化方法，所述基于所述各文本行的视觉特征，对当前文本行进行结构关系解码，得到所述当前文本行的父节点与所述各文本行之间的相关性，包括：

基于所述当前文本行的视觉特征，以及所述当前文本行的上一文本行的状态特征，确定所述当前文本行的父节点状态特征；所述上一文本行的状态特征是基于所述上一文本行的视觉特征，以及所述上一文本行的父节点与所述各文本行之间的相关性确定的；

基于所述当前文本行的父节点状态特征，以及所述各文本行的视觉特征，确定所述当前文本行的父节点与所述各文本行之间的相关性。

根据本发明提供的一种文档结构化方法，所述基于所述各文本行的视觉特征，以及所述当前文本行的父节点与所述各文本行之间的相关性，对当前文本行进行结构化类型解码，得到所述各文本行的结构化类型，包括：