[发明专利]一种生成结构化数据的方法及装置

权利要求书

1.一种生成结构化数据的方法，包括：

对待处理的图像文件进行文本识别，以获得多个识别单元，其中每个识别单元包括：位置信息和文本信息；

基于所述多个识别单元的文本信息，确定所述待处理的图像文件的数据类型；

根据所述数据类型从多个结构化模板中选择适用于所述待处理的图像文件的目标结构化模板；以及

基于所述目标结构化模板、位置信息、文本信息中的一个或多个对所述多个识别单元进行结构化处理，并根据经过结构化处理的识别单元生成结构化数据。

2.根据权利要求1所述的方法，其中，所述基于所述目标结构化模板、位置信息、文本信息中的一个或多个对所述多个识别单元进行结构化处理，包括：

根据所述目标结构化模板中每个格式内容的位置信息和/或文本信息，在所述多个识别单元中确定出属于格式内容的识别单元；以及

将所述多个识别单元中属于格式内容的识别单元删除。

3.根据权利要求1所述的方法，其中，所述基于所述目标结构化模板、位置信息、文本信息中的一个或多个对所述多个识别单元进行结构化处理，包括：

基于对应的位置信息确定每个识别单元的长度和宽度；

基于对应的文本信息确定每个识别单元的字符数量；

将宽度大于长度并且字符数量大于预设数量阈值的识别单元确定为属于所述目标结构化模板中的格式内容的识别单元；以及

将确定出的属于格式内容的识别单元删除。

4.根据权利要求1所述的方法，其中，所述基于所述目标结构化模板、位置信息、文本信息中的一个或多个对所述多个识别单元进行结构化处理，包括：

基于对应的文本信息确定每个识别单元的字符数量；

将字符数量为零的识别单元删除。

5.根据权利要求1所述的方法，其中，所述基于所述目标结构化模板、位置信息、文本信息中的一个或多个对所述多个识别单元进行结构化处理，包括：

依次序检测每个识别单元内所有相邻字符之间的距离；

在检测到任意相邻字符之间的距离大于第一字符间距阈值的情况下，基于距离大于第一字符间距阈值的相邻字符对识别单元进行拆分，直到每个识别单元内所有相邻字符之间的距离均小于或等于第一字符间距阈值为止。

6.根据权利要求1所述的方法，所述基于所述目标结构化模板、位置信息、文本信息中的一个或多个对所述多个识别单元进行结构化处理，包括：

确定两两相邻识别单元之间的距离；

在出现任意两个相邻识别单元之间的距离小于第二字符间距阈值的情况下，将该两个相邻识别单元合并为一个识别单元。

7.根据权利要求1-6中任意一项所述的方法，其中，所述基于所述目标结构化模板、位置信息、文本信息中的一个或多个对所述多个识别单元进行结构化处理，包括：

从所述多个识别单元中选择基准位置识别单元；

确定与所述基准位置识别单元在横向位置上相邻的第一识别单元和在纵向位置上相邻的第二识别单元；

基于所述基准位置识别单元、所述第一识别单元和所述第二识别单元，确定所述待处理的图像文件的文本倾斜度；

基于所述文本倾斜度，确定所述多个识别单元在所述待处理的图像文件中的行列位置关系。

8.根据权利要求7所述的方法，其中，所述基于所述文本倾斜度，确定多个识别单元的行列位置关系，包括：

基于所述文本倾斜度生成横向基准线和竖向基准线；

基于所述横向基准线确定所述多个识别单元中作为基准行的识别单元，并根据作为基准行的识别单元确定相邻列的间距平均值；

基于所述竖向基准线确定所述多个识别单元中作为基准列的识别单元，并根据作为基准列的识别单元确定相邻行的间距平均值；以及

基于相邻列的间距平均值和相邻行的间距平均值，确定除所述基准行的识别单元和所述基准列的识别单元之外的其它识别单元的行列位置关系。