[发明专利]一种生成结构化数据的方法及装置

说明书

本发明公开了一种生成结构化数据的方法及装置，其中方法包括：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；基于多个识别单元的文本信息，确定待处理的图像文件的数据类型；根据数据类型从多个结构化模板中选择适用于待处理的图像文件的目标结构化模板；以及基于目标结构化模板、位置信息、文本信息中的一个或多个对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。

技术领域

本发明涉及信息处理技术领域，并且具体而言，涉及一种生成结构化数据的方法及装置、计算机可读存储介质、电子设备以及计算机程序产品。

背景技术

目前，部分信息技术企业的日常数据处理工作涉及大量的订单和发票等票据。为了便于对数据进行加工和查询，企业需要设置工作人员将大量的订单和发票等票据进行信息提取并将所提取的信息录入到数据库中。这种数据加工或数据导入的方式导致数据处理的效率很低并且人工处理可能会造成数据错误。

为此，现有技术存在对通过算法实现订单和发票等票据信息的自动化录入的需求。然而，经过文本识别技术解析后的票据信息通常只是零散的文本框坐标信息，并且由于票据信息自身清晰度和图像拉伸等问题，导致识别结果通常是不准确的数据内容。

发明内容

鉴于此，本发明提出了一种生成结构化数据的方法及装置、计算机可读存储介质、电子设备以及计算机程序产品，旨在解决由于票据信息自身清晰度和图像拉伸等情况，导致将票据信息生成结构化数据时数据不准确的技术问题。

根据本公开实施例的一个方面，提供了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。

优选地，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。

优选地，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。

优选地，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。

优选地，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；