[发明专利]一种基于可配置的WORD文档结构化提取方法

摘要

一种基于可配置的WORD文档结构化提取方法，包括以下步骤：步骤一，定义可配置的模板文件；在读取Word文档时，需要定义一个word模板文件，用来定义待读取文档的结构和需要提取word的内容；步骤二，根据第一步定义的模板文件为基准，检测待读取的Word文档。本发明实现的WORD文档结构提取的易用性好，可扩展性高，适用于各种需要将WORD文档结构化到数据库中的场合，对于减少人为错误出现的机率，提高数据质量，提升工作效率具有重要作用。

主权项

一种基于可配置的WORD文档结构化提取方法，其特征在于，包括以下步骤：步骤一，定义可配置的模板文件；在读取Word文档时，需要定义一个word模板文件，用来定义待读取文档的结构和需要提取word的内容；模板文件需要定义的内容有：1）、定制文档的结构，通过采用xml技术，定制文件的树型结构内容，通过XML结构实现可配置的定义文档的层级结构，每个层级作为配置文件的一个节点；节点的类型包括：标题、文本、表格、图片；2）、配置节点的属性，根据各节点的实际业务需求，配置标题节点的属性，包括标题名、标题编号、是否为可循环出现的标题；3）、定义模板节点的校验或者读取的数据应该存放到数据库表的哪个字段中；步骤二，根据第一步定义的模板文件为基准，检测待读取的Word文档；实现过程包含以下步骤：1）、加载模板文件，并遍历其中的所有节点；根据XML定义出来的文档结构是一个树型结构，遍历过程中需要根据这个树型来遍历，及树型的深度遍历；2）、根据当前的节点类型来进行不同的加载：2.1） 标题节点：根据模板节点中的标题号定位到具体的文档位置，如果不能定位则表示在模板中的标题没在文档中，同时根据这个节点的属性‘是否为可选’来判断是否需要输出日志信息；2.2） 文本节点：读取Word文档中对应的文本内容，并依据模板中的节点定义，把读取的数据保存到对应数据库表的字段中；2.3） 表格节点：根据模板中定义的表格列来验证，文档中对应的位置的表格是否符合模板定义，如果符合则读取数据并保存到数据库表的字段中；2.4）图片节点：读取Word文档中对应的图片内容，并依据模板中的节点定义，把读取的数据保存到对应数据库表的字段中。