[发明专利]文档处理方法及其装置、电子设备、计算机可读存储介质

说明书

本发明公开了一种文档处理方法及其装置、电子设备、计算机可读存储介质，涉及大数据处理领域，该处理方法包括：导入待分析的目标文档，基于预设文档模板的模板格式，扫描导入的目标文档的文档内容，依据预设解析条件，区分文档内容中的文档章节，得到结构化数据。本公开基于预设文档模板的模板格式，对文档内容进行自动化结构分析，能够提高处理文档的效率。

技术领域

本发明涉及大数据处理技术领域，具体而言，涉及一种文档处理方法及其装置、电子设备、计算机可读存储介质。

背景技术

文档是企业规范管理的重要组成部分，它在企业的日常事务中，承担着事务流转、承上启下的桥梁作用。随着计算机技术的日益发展，企业办公文档的电子化日趋普遍，存储简易方便的电子文档成为企业信息资产积累的重要方式，由此各个企业也积累了数量庞大的电子文档文件，因此，如何解析电子文档内的文字，表格等数据，并使文档内的结构化数据被自动化程序分析，以及将有增值价值的数据合并导出，成为研究的关键。

相关技术中，常规的办公软件为拓展用户自定义功能，提供了一套二次开发库接口，这套COM组件接口可以让用户使用各种编程工具(例如，C++，C#，JavaScript脚本等)进行调用。相关技术中，大多用户使用这套开发库接口对表格工具Excel进行功能性的拓展，但针对以文本数据为主的Word软件，很少有用户使用这套二次开发库来拓展word的功能，更没有对这些文本数据进行文档处理，使得文档处理效率较低。

针对上述的问题，目前尚未提出有效的解决方案。

发明内容

本发明实施例提供了一种文档处理方法及其装置、电子设备、计算机可读存储介质，以至少解决相关技术中没有对文档进行结构化解析，降低了文档处理效率的技术问题。

根据本发明实施例的一个方面，提供了一种文档处理方法，包括：导入待分析的目标文档；基于预设文档模板的模板格式，扫描导入的所述目标文档的文档内容；依据预设解析条件，区分文档内容中的文档章节，得到结构化数据。

可选地，基于预设文档模板的模板格式，扫描导入的所述目标文档的文档内容的步骤，包括：基于预设文档模板的模板格式，查询所述目标文档中的关键词，以得到所述目标文档的文档内容。

可选地，依据预设解析条件，区分文档内容中的文档章节，得到结构化数据的步骤，包括：采用预设解析条件中的第一子解析条件，分割所述文档内容中的每个段落；确定每个所述段落所属大纲的大纲等级；将所述段落所属大纲的大纲等级表征为结构化数据。

可选地，在确定每个所述段落所属大纲的大纲等级之后，还包括：基于所述段落所属大纲的大纲等级，采用预设递归算法将段落等级赋予结构化数据，以使段落的层次等级与所述目标文档一致。

可选地，依据预设解析条件，区分文档内容中的文档章节，得到结构化数据的步骤，包括：采用预设解析条件中的第二子解析条件，获取所述文档内容中各段落中存在表格对象的句柄及表格数；基于所述文档内容中的表格对象的句柄及表格数，循环调用表格对象，将每两个表格对象之间的段落进行分割，得到所述目标文档的文档内容；对所述表格对象中的表格内容进行解析，得到结构化的表格数据。

可选地，对所述表格对象中的表格内容进行解析，得到结构化的表格数据的步骤，包括：对所述表格对象中的字段定义表进行解析，得到凭证格式数据或报表表样；和/或，对所述表格对象中的业务处理流程表进行分析，得到业务字段数据。

可选地，还包括：采用预设处理控件，将所述文档内容中的文本对象、文档附件或者图片对象复制至剪贴板；调用所述预设处理控件，将所述剪贴板中的文本对象、文档附件或者图片对象另存至临时目录的指定文件。

根据本发明实施例的另一方面，还提供了一种文档处理装置，包括：导入单元，用于导入待分析的目标文档；扫描单元，用于基于预设文档模板的模板格式，扫描导入的所述目标文档的文档内容；区分单元，用于依据预设解析条件，区分文档内容中的文档章节，得到结构化数据。