一种连续页版式文档结构化信息提取方法
基本信息
| 申请号 | CN201910742447.9 | 申请日 | - |
| 公开（公告）号 | CN110704570A | 公开（公告）日 | 2020-01-17 |
| 申请公布号 | CN110704570A | 申请公布日 | 2020-01-17 |
| 分类号 | G06F16/31;G06F40/279;G06F40/258;G06F40/205 | 分类 | 计算；推算；计数; |
| 发明人 | 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 |
| 代理机构 | - | 代理人 | - |
| 地址 | 100000 北京市海淀区西三旗安宁庄路4号9号楼4层0996 | ||
| 法律状态 | - | ||
摘要
| 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。 |
