[发明专利]一种连续页版式文档结构化信息提取方法在审
| 申请号： | 201910742447.9 | 申请日： | 2019-08-13 |
| 公开（公告）号： | CN110704570A | 公开（公告）日： | 2020-01-17 |
| 发明（设计）人： | 徐剑波;张诗玉;王磊;赵东岩 | 申请（专利权）人： | 北京众信博雅科技有限公司 |
| 主分类号： | G06F16/31 | 分类号： | G06F16/31;G06F40/279;G06F40/258;G06F40/205 |
| 代理公司： | 暂无信息 | 代理人： | 暂无信息 |
| 地址： | 100000 北京市海淀*** | 国省代码： | 北京;11 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | 本发明涉及本发明涉及一种连续页版式文档的结构化方法，本发明所述的方法，通过逐页提取连续页版式文档中的文字、字体、字号、位置等信息，通过预处理识别并去除页眉页脚，识别并切分脚注，再把剩下的多页正文内容及脚注内容分别合并成一个虚拟页，再对虚拟页进行版面分析，合并文本块，进行分栏及表格处理，生成文本块表，再利用文本块表的编号、字体字号、对齐等特性按规则进行大纲提取，从而还原整个文件的逻辑结构。采用本发明所述的方法，可以有效去除页眉页脚、脚注等干扰文本，保证分栏的阅读顺序，极大提高文本的结构化正确性，降低人工纠正的工作量，提高效率。 | ||
| 搜索关键词： | 版式文档 页眉页脚 结构化 文本块 分栏 去除 虚拟 文本 预处理 合并文本块 版面分析 表格处理 逻辑结构 整个文件 正文内容 字体字号 对齐 再利用 多页 逐页 字体 工作量 还原 合并 阅读 纠正 保证 | ||
【主权项】：
1.一种连续页版式文档的结构化方法，其特征是，包括以下步骤：步骤一、解析版式文档，逐页获取其页面信息及页面中文字块信息；步骤二、对文档进行版面切分；步骤三、为切分后的各个页面中的内容生成虚拟页；步骤四、对生成的虚拟页进行版面分析；步骤五、结构化分析。/n
下载完整专利技术内容需要扣除积分，VIP会员可以免费下载。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于北京众信博雅科技有限公司，未经北京众信博雅科技有限公司许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/patent/201910742447.9/，转载请声明来源钻瓜专利网。
