CN104536948A - 版式文档的处理方法及装置 - Google Patents
版式文档的处理方法及装置 Download PDFInfo
- Publication number
- CN104536948A CN104536948A CN201410754250.4A CN201410754250A CN104536948A CN 104536948 A CN104536948 A CN 104536948A CN 201410754250 A CN201410754250 A CN 201410754250A CN 104536948 A CN104536948 A CN 104536948A
- Authority
- CN
- China
- Prior art keywords
- metadata
- format document
- title
- described format
- catalog page
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Landscapes
- Document Processing Apparatus (AREA)
Abstract
本发明提供一种版式文档的处理方法及装置。本发明实施例通过获取版式文档的元数据,进而根据所述版式文档的元数据,获得所述版式文档的标题,使得能够根据所述版式文档的标题,获得所述版式文档的目标目录数据,无需人工参与,操作简单,而且正确率高,从而提高了版式文档处理的效率和可靠性。
Description
【技术领域】
本发明涉及文档处理技术,尤其涉及一种版式文档的处理方法及装置。
【背景技术】
版式文档是指符合版式文档格式规范的文档,它采用一种绝对描述方式,在自定义的坐标系中,明确记录了每个页面元素显示的位置、尺寸和样式等。版式文档格式是版面呈现效果固定的电子文档格式,版式文档的呈现与终端无关,在各种终端上阅读、打印或印刷时,其版面的呈现结果都是一致的。越来越多的电子图书、产品说明、公司文告、网络资料、电子邮件开始使用版式文档,例如,目前的可移植文档格式(Portable Document Format,PDF)文档就是一种比较典型的版式文档。
在对版式文档的信息化管理中,在一些情况下,例如,版式文档中所包含的目录数据可能并不完整,或者版式文档中根本不包含目录数据,等等,需要重新获取完整的目录数据。现有技术中,可以由操作人员对版式文档进行人工查看,进而根据所查看的内容,获取对应的目录数据。
然而,人工获取的操作复杂,且容易出错,从而导致了版式文档处理的效率和可靠性的降低。
【发明内容】
本发明的多个方面提供一种版式文档的处理方法及装置,用以提高版式文档处理的效率和可靠性。
本发明的一方面,提供一种版式文档的处理方法,包括:
获取版式文档的元数据;
根据所述版式文档的元数据,获得所述版式文档的标题;
根据所述版式文档的标题,获得所述版式文档的目标目录数据。
如上所述的方面和任一可能的实现方式,进一步提供一种实现方式,所述版式文档的元数据包括所述版本文档的目录页面的元数据和版本文档的正文页面的元数据中的至少一项。
如上所述的方面和任一可能的实现方式,进一步提供一种实现方式,
所述根据所述版式文档的元数据,获得所述版式文档的标题之前,还包括:
获取所述版式文档的参考目录数据,所述参考目录数据为与所述版式文档的内容相同或相似的其他文档的目录数据;
所述根据所述版式文档的元数据,获得所述版式文档的标题,包括:
根据所述版式文档的元数据和所述版式文档的参考目录数据,获得所述版式文档的标题。
如上所述的方面和任一可能的实现方式,进一步提供一种实现方式,所述版式文档的元数据包括所述版本文档的目录页面的元数据;所述获取版式文档的元数据,包括:
获取目录页面的起始部分的元数据、目录页面的结束部分的元数据和目录页面的结构特征的元数据中的至少一项;
根据所述目录页面的起始部分的元数据、所述目录页面的结束部分的元数据和所述目录页面的结构特征的元数据中的至少一项,获取所述版本文档的目录页面的元数据。
如上所述的方面和任一可能的实现方式,进一步提供一种实现方式,所述根据所述版式文档的元数据,获得所述版式文档的标题,包括:
利用各个等级目录的特征数据,从所述版式文档的元数据中,获得所述版式文档的标题;或者
根据所述版本文档的元数据,提取所述版式文档的结构化数据;以及根据所述版式文档的结构化数据,获得所述版式文档的标题。
本发明的另一方面,提供一种版式文档的处理装置,包括:
元数据获取单元,用于获取版式文档的元数据;
标题获得单元,用于根据所述版式文档的元数据,获得所述版式文档的标题;
目录获得单元,用于根据所述版式文档的标题,获得所述版式文档的目标目录数据。
如上所述的方面和任一可能的实现方式,进一步提供一种实现方式,所述元数据获取单元所获取的所述版式文档的元数据包括所述版本文档的目录页面的元数据和版本文档的正文页面的元数据中的至少一项。
如上所述的方面和任一可能的实现方式,进一步提供一种实现方式,
所述标题获得单元,还用于
获取所述版式文档的参考目录数据,所述参考目录数据为与所述版式文档的内容相同或相似的其他文档的目录数据;
所述标题获得单元,具体用于
根据所述版式文档的元数据和所述版式文档的参考目录数据,获得所述版式文档的标题。
如上所述的方面和任一可能的实现方式,进一步提供一种实现方式,所述元数据获取单元所获取的所述版式文档的元数据包括所述版本文档的目录页面的元数据;所述元数据获取单元,具体用于
获取目录页面的起始部分的元数据、目录页面的结束部分的元数据和目录页面的结构特征的元数据中的至少一项;以及
根据所述目录页面的起始部分的元数据、所述目录页面的结束部分的元数据和所述目录页面的结构特征的元数据中的至少一项,获取所述版本文档的目录页面的元数据。
如上所述的方面和任一可能的实现方式,进一步提供一种实现方式,所述标题获得单元,具体用于
利用各个等级目录的特征数据,从所述版式文档的元数据中,获得所述版式文档的标题;或者
根据所述版本文档的元数据,提取所述版式文档的结构化数据;以及根据所述版式文档的结构化数据,获得所述版式文档的标题。
由上述技术方案可知,本发明实施例通过获取版式文档的元数据,进而根据所述版式文档的元数据,获得所述版式文档的标题,使得能够根据所述版式文档的标题,获得所述版式文档的目标目录数据,无需人工参与,操作简单,而且正确率高,从而提高了版式文档处理的效率和可靠性。
另外,采用本发明提供的技术方案,由于根据版本文档的目录页面的元数据和版本文档的正文页面的元数据,共同获得所述版式文档的标题,因此,能够有效提高版式文档处理的可靠性。
另外,采用本发明提供的技术方案,由于根据版本文档的元数据,以及与该版式文档的内容相同或相似的其他文档的目录数据,共同获得所述版式文档的标题,因此,能够有效提高版式文档处理的可靠性。
【附图说明】
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明一实施例提供的版式文档的处理方法的流程示意图;
图2为本发明另一实施例提供的版式文档的处理装置的结构示意图。
【具体实施方式】
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的全部其他实施例,都属于本发明保护的范围。
需要说明的是,本发明实施例中所涉及的终端可以包括但不限于手机、个人数字助理(Personal Digital Assistant,PDA)、无线手持装置、无线上网本、个人电脑、便携电脑、平板电脑、MP3播放器、MP4播放器、可穿戴设备(例如,智能眼镜、智能手表、智能手环等)等。
另外,本文中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中字符“/”,一般表示前后关联对象是一种“或”的关系。
图1为本发明一实施例提供的版式文档的处理方法的流程示意图,如图1所示。
101、获取版式文档的元数据。
102、根据所述版式文档的元数据,获得所述版式文档的标题。
103、根据所述版式文档的标题,获得所述版式文档的目标目录数据。
需要说明的是,此处所获得的版式文档的目标目录数据,中“目标”二字,在此处的意思就是,“最终所获得的”,也就是说,目标目录数据,就是最终所获得的目录数据,并不是一个具有特别功能限定的特殊目录数据。
这样,可以利用所获得的版式文档的目标目录数据,对版式文档进行信息化管理,以及对所展现的版式文档进行页面跳转。
需要说明的是,101~103的执行主体可以为位于本地终端的应用,或者还可以为位于本地终端的应用中的插件或软件开发工具包(SoftwareDevelopment Kit,SDK)等功能单元,或者还可以为位于网络侧的服务器中的处理引擎,或者还可以为位于网络侧的分布式系统,本实施例对此不进行特别限定。
可以理解的是,所述应用可以是安装在终端上的本地程序(nativeApp),或者还可以是终端上的浏览器的一个网页程序(webApp),本实施例对此不进行特别限定。
这样,通过获取版式文档的元数据,进而根据所述版式文档的元数据,获得所述版式文档的标题,使得能够根据所述版式文档的标题,获得所述版式文档的目标目录数据,无需人工参与,操作简单,而且正确率高,从而提高了版式文档处理的效率和可靠性。
可选地,在本实施例的一个可能的实现方式中,在101中,所获取的版式文档的元数据可以包括但不限于所述版本文档的目录页面的元数据和版本文档的正文页面的元数据中的至少一项,本实施例对此不进行特别限定。
版式文档是指符合版式文档格式规范的文档,它采用一种绝对描述方式,在自定义的坐标系中,明确记录了每个页面元素显示的位置、尺寸和样式等。版式文档的元数据可以包括但不限于版式文档中每个页面元素(如文字、图片或超链接等)的位置、尺寸、颜色和样式等数据。
本实施例中,版式文档的元数据的存储格式可以为多种格式,例如,JavaScript对象表示法(JavaScript Object Notation,JSON)格式等。
JSON,是一种轻量的数据表示方法。JSON格式采用键值(key-value)对的方式记录数据,非常直观,比可扩展标记语言(Extensible MarkupLanguage,XML)简洁。
所谓的目录页面,是指其上包含结构化的目录信息的页面。例如,包含目录、Contents等具有目录特征的关键词的页面;或者,再例如,包含“………………XX”、“------------------XX”或“-·-·-·-·-·-·-·-·-·-·-·-·-·-·-·-·-·-XX”等具有目录特征的字符的页面,其中,XX表示阿拉伯数字、英文数字等页码字符。
所谓的正文页面,是指其上包含正文信息的页面。
可选地,在本实施例的一个可能的实现方式中,所述版式文档的元数据包括所述版本文档的目录页面的元数据;相应地,在101中,具体可以获取目录页面的起始部分的元数据、目录页面的结束部分的元数据和目录页面的结构特征的元数据中的至少一项,进而则可以根据所述目录页面的起始部分的元数据、所述目录页面的结束部分的元数据和所述目录页面的结构特征的元数据中的至少一项,获取所述版本文档的目录页面的元数据。
一般来说,目录页都设置在版式文档的前几页,因此,具体可以将预先设置的前N页,N为大于或等于1的整数,作为目录页面可能存在的区域,只在这些区域获取版本文档的目录页面的元数据即可。
在一个具体的实现过程中,具体可以获取版式文档的前N页的元数据。
然后,可以根据起始特征数据,例如,“目录”、“Contents”或“MULU”等数据,在所获取的前N页的元数据中,获取目录页面的起始部分的元数据。
或者,还可以根据结束特征数据,例如,“附录”或“结束语”等数据,在所获取的前N页的元数据中,获取目录页面的结束部分的元数据。
或者,还可以根据预先设置的目录页面结构特征数据,在所获取的前N页的元数据中,获取目录页面的结构特征的元数据。
这样,则可以根据所述目录页面的起始部分的元数据所在的页面、所述目录页面的结束部分的元数据所在的页面和所述目录页面的结构特征的元数据所在的页面中的至少一项,确定若干个连续的候选页面,以作为所述版式文档的目录页面。
接着,可以在所确定的候选页面中,获取该候选页面的元数据,以作为所述版本文档的目录页面的元数据。
所获取的所述版式文档的目录页面的元数据,可以包括但不限于版式文档的候选目录数据。所述候选目录数据,是指版式文档中所包含的目录数据。
可选地,在本实施例的一个可能的实现方式中,在102中,具体可以利用各个等级目录的特征数据,从所述版式文档的元数据中,获得所述版式文档的标题。
其中,各个等级目录的特征数据,是指每个等级的目录所对应的标题字符的布局特点数据,可以包括但不限于每个等级的目录所对应的标题字符的字体、尺寸、颜色、样式和排版格式中的至少一项,本实施例对此不进行特别限定。
所述每个等级的目录所对应的标题字符的字体,是指每个等级的目录所对应的标题字符的外在形式特征,就是字符的风格,是字符的外衣,例如,宋体、楷体或隶书等。
所述每个等级的目录所对应的标题字符的尺寸,是指每个等级的目录所对应的标题字符的大小,例如,四号(14磅)、小四号(12号)或五号(10.5磅)等。
所述每个等级的目录所对应的标题字符的颜色,是指每个等级的目录所对应的标题字符的颜色,例如,红色或蓝色等。
所述每个等级的目录所对应的标题字符的样式,是指每个等级的目录所对应的标题字符的风格,例如,加粗或斜体等。
所述每个等级的目录所对应的标题字符的排版格式,是指每个等级的目录所对应的标题字符的布局形式,例如,居中、每行最多不超过S(S为大于或等于1的整数)个字符或每行的结尾没有标点符号等。
具体地,具体可以根据版式文档的布局,预先设置各个等级目录的特征数据。
在一个具体的实现过程中,所述版式文档的元数据包括所述版本文档的目录页面的元数据;相应地,在102中,具体可以获取预先设置的第一目录所对应的标题字符预设字体、第一目录所对应的标题字符预设尺寸、第一目录所对应的标题字符预设颜色、第一目录所对应的标题字符预设样式和第一目录所对应的标题字符预设排版格式中的至少一项,进而则可以根据所述第一目录所对应的标题字符预设字体、所述第一目录所对应的标题字符预设尺寸、所述第一目录所对应的标题字符预设颜色、所述第一目录所对应的标题字符预设样式和所述第一目录所对应的标题字符预设排版格式中的至少一项,从所述版本文档的目录页面的元数据中,获得所述版式文档的标题。
其中,第一目录所对应的标题字符预设字体、第一目录所对应的标题字符预设尺寸、第一目录所对应的标题字符预设颜色、第一目录所对应的标题字符预设样式和第一目录所对应的标题字符预设排版格式中的至少一项,是指目录页面上,每个等级的目录所对应的标题字符的布局特点数据。
在另一个具体的实现过程中,所述版式文档的元数据包括所述版本文档的正文页面的元数据;相应地,在102中,具体可以获取预先设置的第二目录所对应的标题字符预设字体、第二目录所对应的标题字符预设尺寸、第二目录所对应的标题字符预设颜色、第二目录所对应的标题字符预设样式和第二目录所对应的标题字符预设排版格式中的至少一项,进而则可以根据所述第二目录所对应的标题字符预设字体、所述第二目录所对应的标题字符预设尺寸、所述第二目录所对应的标题字符预设颜色、所述第二目录所对应的标题字符预设样式和所述第二目录所对应的标题字符预设排版格式中的至少一项,从所述版本文档的正文页面的元数据中,获得所述版式文档的标题。
其中,第二目录所对应的标题字符预设字体、第二目录所对应的标题字符预设尺寸、第二目录所对应的标题字符预设颜色、第二目录所对应的标题字符预设样式和第二目录所对应的标题字符预设排版格式中的至少一项,是指正文页面上,每个等级的目录所对应的标题字符的布局特点数据。
在另一个具体的实现过程中,所述版式文档的元数据包括所述版本文档的目录页面的元数据和所述版本文档的正文页面的元数据;相应地,在102中,具体可以获取预先设置的第一目录所对应的标题字符预设字体、第一目录所对应的标题字符预设尺寸、第一目录所对应的标题字符预设颜色、第一目录所对应的标题字符预设样式和第一目录所对应的标题字符预设排版格式中的至少一项,进而则可以根据所述第一目录所对应的标题字符预设字体、所述第一目录所对应的标题字符预设尺寸、所述第一目录所对应的标题字符预设颜色、所述第一目录所对应的标题字符预设样式和所述第一目录所对应的标题字符预设排版格式中的至少一项,从所述版本文档的目录页面的元数据中,获得所述版式文档的第一候选标题。以及,还可以获取预先设置的第二目录所对应的标题字符预设字体、第二目录所对应的标题字符预设尺寸、第二目录所对应的标题字符预设颜色、第二目录所对应的标题字符预设样式和第二目录所对应的标题字符预设排版格式中的至少一项,进而则可以根据所述第二目录所对应的标题字符预设字体、所述第二目录所对应的标题字符预设尺寸、所述第二目录所对应的标题字符预设颜色、所述第二目录所对应的标题字符预设样式和所述第二目录所对应的标题字符预设排版格式中的至少一项,从所述版本文档的正文页面的元数据中,获得所述版式文档的第二候选标题。接着,根据所述第一候选标题和所述第二候选标题,确定所述版式文档的标题。
具体地,获取所述第一候选标题与所述第二候选标题中对应的第一组标题字符即标题字符A和标题字符B,确定对应的标题字符是否一致,若二者的内容一致,则将对应的标题字符即标题字符A或标题字符B作为版式文档的一个标题;若二者的内容不一致,则进一步确定哪个标题字符是正确的标题,进而将正确的标题字符作为版式文档的一个标题。如果没有正确的标题字符,则放弃对应的标题字符。依次类推,获取所述第一候选标题与所述第二候选标题中对应的下一组标题字符,直到将所述第一候选标题与所述第二候选标题中对应的标题字符处理完毕为止。
在具体的应用过程中,确定对应的标题字符是否一致之前,还可以进一步分别对对应的标题字符进行分词处理,以获得分词结果。在此,分词处理技术已经是本领域较成熟的技术,对于英文来说,由于英文本身是以词为单位的,词与词之间靠空格分开,因此可以很容易地实现分词。中文是以字为单位的,可以采用已有的诸如:基于字符串匹配的分词方法、基于理解的分词方法或者基于统计的分词方法等对中文进行分词处理,较常用的例如基于字符串匹配的分词方法中的最大正向匹配算法,详细描述可以参见现有技术中的相关内容,此处不再赘述。
在对对应的标题字符进行分词处理后,为了提高后续处理的效率和减小噪音,对分词处理后得到的各词语进行过滤处理,包括但不限于以下所列过滤处理:过滤掉预设的停用词表所包含的词语;其中,通用词表是预先基于词频统计出的虚词、助词、代词、冠词、副词、语气词等,这些词语通常不具备独立表意能力。具体可以通过对已有资源中出现频率达到预设的高频条件的词语进行收集得到,例如,助词“的”具有很高的出现频率,但其通常具有很低的表意能力,因此,将其收集到停用词表中。
具体地,在获得对应的标题字符的分词结果之后,确定对应的标题字符的内容是否一致的具体操作,还可以有多种方式,例如,在获得对应的标题字符的分词结果之后,还可以采用现有技术中的文本相似度算法,计算所获取的每个标题字符之间的相似度,以确定对应的标题字符的内容是否一致。例如,最长公共子串法、最长公共子序列法、最少编辑距离法、汉明距离法、余弦值法等,详细描述可以参见现有技术中的相关内容,此处不再赘述。本实施例其他的具体操作不进行特别限定。
可选地,在本实施例的一个可能的实现方式中,在102中,具体可以根据所述版本文档的元数据,提取所述版式文档的结构化数据,进而则可以根据所述版式文档的结构化数据,获得所述版式文档的标题。
在一个具体的实现过程中,若所获取的版式文档的元数据为版本文档的目录页面的元数据,在102中,具体可以根据版本文档的目录页面的元数据,提取所述版式文档的结构化数据。例如,“第MM章(节)YYYY………………XX”,其中,MM为阿拉伯数字、英文数字、罗马数字等等级字符;YYYY表示汉字、英文等内容字符;XX表示阿拉伯数字、英文数字等页码字符。
在另一个具体的实现过程中,若所获取的版式文档的元数据为版本文档的正文页面的元数据,在102中,具体可以根据版本文档的正文页面的元数据,提取所述版式文档的结构化数据。例如,“第MM章(节)YYYY”和“-XX-”,其中,MM为阿拉伯数字、英文数字、罗马数字等等级字符;YYYY表示汉字、英文等内容字符;XX表示阿拉伯数字、英文数字等页码字符。
在另一个具体的实现过程中,若所获取的版式文档的元数据为版本文档的目录页面的元数据和版本文档的正文页面的元数据,在102中,具体可以根据版本文档的目录页面的元数据和版本文档的正文页面的元数据,提取二者中的标题字符匹配一致的元数据,以作为所述版式文档的结构化数据。例如,“第MM章(节)YYYY………………XX”,以及“第MM章(节)YYYY”和“-XX-”,其中,MM为阿拉伯数字、英文数字、罗马数字等等级字符;YYYY表示汉字、英文等内容字符;XX表示阿拉伯数字、英文数字等页码字符。
在具体的应用过程中,确定二者中的标题字符匹配是否一致之前,还可以进一步分别对二者中的标题字符即版本文档的目录页面的元数据中的标题字符和版本文档的正文页面的元数据的标题字符进行分词处理,以获得分词结果。在此,分词处理技术已经是本领域较成熟的技术,对于英文来说,由于英文本身是以词为单位的,词与词之间靠空格分开,因此可以很容易地实现分词。中文是以字为单位的,可以采用已有的诸如:基于字符串匹配的分词方法、基于理解的分词方法或者基于统计的分词方法等对中文进行分词处理,较常用的例如基于字符串匹配的分词方法中的最大正向匹配算法,详细描述可以参见现有技术中的相关内容,此处不再赘述。
在对二者中的标题字符进行分词处理后,为了提高后续处理的效率和减小噪音,对分词处理后得到的各词语进行过滤处理,包括但不限于以下所列过滤处理:过滤掉预设的停用词表所包含的词语;其中,通用词表是预先基于词频统计出的虚词、助词、代词、冠词、副词、语气词等,这些词语通常不具备独立表意能力。具体可以通过对已有资源中出现频率达到预设的高频条件的词语进行收集得到,例如,助词“的”具有很高的出现频率,但其通常具有很低的表意能力,因此,将其收集到停用词表中。
具体地,在获得二者中的标题字符的分词结果之后,确定二者中的标题字符匹配一致的操作,可以有多种方式,例如,在获得对应的标题字符的分词结果之后,还可以采用现有技术中的文本相似度算法,计算所获取的每个标题字符之间的相似度,根据计算得到的相似度,例如,以相似度大于或等于预先设置的相似度阈值作为一致依据等,确定对应的标题字符的内容是否一致。例如,最长公共子串法、最长公共子序列法、最少编辑距离法、汉明距离法、余弦值法等,详细描述可以参见现有技术中的相关内容,此处不再赘述。本实施例其他的具体操作不进行特别限定。
可选地,在本实施例的一个可能的实现方式中,在102之前,还可以进一步获取所述版式文档的参考目录数据,所述参考目录数据为与所述版式文档的内容相同或相似的其他文档的目录数据。具体地,具体可以获取名称与版式文档的名称相同的其他文档的目录数据,以作为所述版式文档的参考目录数据。
其中,所述参考目录数据,可以为从当前网站直接获取,或者还可以为从不同于当前网站的其他网站获取,本实施例对此不进行特别限定。
相应地,在102中,具体可以根据所述版式文档的元数据和所述版式文档的参考目录数据,获得所述版式文档的标题。这样,通过将与版式文档的内容相同或相似的其他文档的目录数据,与所述版式文档的元数据,共同作为依据获得版式文档的标题,能够有效提高版式文档处理的可靠性
可选地,在本实施例的一个可能的实现方式中,在103中,具体可以根据所述版式文档的标题的内容和所述版式文档的标题的特征数据中的至少一项,获得所述版式文档的目标目录数据。具体地,所述版式文档的目标目录数据可以包括但不限于如下:
版式文档的各等级目录所对应的标题数据;或者
版式文档的各等级目录所对应的标题数据和每个标题数据所在的页码。
其中,所述版式文档的标题的特征数据,是指每个标题数据的布局特点数据,可以包括但不限于每个标题数据的字体、尺寸、颜色、样式和排版格式中的至少一项,本实施例对此不进行特别限定。
在一个具体的实现过程中,标题中一般都会包含表示章节或部分的标识,具体可以根据标题中所包含的这些标识,确定版式文档的各等级目录所对应的标题数据。
在另一个具体的实现过程中,各等级目录所对应的标题数据的特征数据一般都是不相同的,具体可以根据标题中所具有的这些特征数据,确定版式文档的各等级目录所对应的标题数据。
本实施例中,通过获取版式文档的元数据,进而根据所述版式文档的元数据,获得所述版式文档的标题,使得能够根据所述版式文档的标题,获得所述版式文档的目标目录数据,无需人工参与,操作简单,而且正确率高,从而提高了版式文档处理的效率和可靠性。
另外,采用本发明提供的技术方案,由于根据版本文档的目录页面的元数据和版本文档的正文页面的元数据,共同获得所述版式文档的标题,因此,能够有效提高版式文档处理的可靠性。
另外,采用本发明提供的技术方案,由于根据版本文档的元数据,以及与该版式文档的内容相同或相似的其他文档的目录数据,共同获得所述版式文档的标题,因此,能够有效提高版式文档处理的可靠性。
需要说明的是,对于前述的各方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本发明并不受所描述的动作顺序的限制,因为依据本发明,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定是本发明所必须的。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
图2为本发明另一实施例提供的版式文档的处理装置的结构示意图,如图2所示。本实施例的版式文档的处理装置可以包括元数据获取单元21、标题获得单元22和目录获得单元23。其中,元数据获取单元21,用于获取版式文档的元数据;标题获得单元22,用于根据所述版式文档的元数据,获得所述版式文档的标题;目录获得单元23,用于根据所述版式文档的标题,获得所述版式文档的目标目录数据。
需要说明的是,本实施例所提供的版式文档的处理装置可以为位于本地终端的应用,或者还可以为位于本地终端的应用中的插件或软件开发工具包(Software Development Kit,SDK)等功能单元,或者还可以为位于网络侧的服务器中的处理引擎,或者还可以为位于网络侧的分布式系统,本实施例对此不进行特别限定。
可以理解的是,所述应用可以是安装在终端上的本地程序(nativeApp),或者还可以是终端上的浏览器的一个网页程序(webApp),本实施例对此不进行特别限定。
可选地,在本实施例的一个可能的实现方式中,所述元数据获取单元21所获取的所述版式文档的元数据可以包括但不限于所述版本文档的目录页面的元数据和版本文档的正文页面的元数据中的至少一项,本实施例对此不进行特别限定。
可选地,在本实施例的一个可能的实现方式中,所述标题获得单元22,还可以进一步用于获取所述版式文档的参考目录数据,所述参考目录数据为与所述版式文档的内容相同或相似的其他文档的目录数据;相应地,所述标题获得单元22,具体可以用于根据所述版式文档的元数据和所述版式文档的参考目录数据,获得所述版式文档的标题。
可选地,在本实施例的一个可能的实现方式中,所述元数据获取单元21所获取的所述版式文档的元数据包括所述版本文档的目录页面的元数据;相应地,所述元数据获取单元21,具体可以用于获取目录页面的起始部分的元数据、目录页面的结束部分的元数据和目录页面的结构特征的元数据中的至少一项;以及根据所述目录页面的起始部分的元数据、所述目录页面的结束部分的元数据和所述目录页面的结构特征的元数据中的至少一项,获取所述版本文档的目录页面的元数据。
可选地,在本实施例的一个可能的实现方式中,所述标题获得单元22,具体可以用于利用各个等级目录的特征数据,从所述版式文档的元数据中,获得所述版式文档的标题。
可选地,在本实施例的一个可能的实现方式中,所述标题获得单元22,具体可以用于根据所述版本文档的元数据,提取所述版式文档的结构化数据;以及根据所述版式文档的结构化数据,获得所述版式文档的标题。
需要说明的是,图1对应的实施例中方法,可以由本实施例提供的版式文档的处理装置实现。详细描述可以参见图1对应的实施例中的相关内容,此处不再赘述。
本实施例中,通过元数据获取单元获取版式文档的元数据,进而由标题获得单元根据所述版式文档的元数据,获得所述版式文档的标题,使得目录获得单元能够根据所述版式文档的标题,获得所述版式文档的目标目录数据,无需人工参与,操作简单,而且正确率高,从而提高了版式文档处理的效率和可靠性。
另外,采用本发明提供的技术方案,由于根据版本文档的目录页面的元数据和版本文档的正文页面的元数据,共同获得所述版式文档的标题,因此,能够有效提高版式文档处理的可靠性。
另外,采用本发明提供的技术方案,由于根据版本文档的元数据,以及与该版式文档的内容相同或相似的其他文档的目录数据,共同获得所述版式文档的标题,因此,能够有效提高版式文档处理的可靠性。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本发明所提供的几个实施例中,应该理解到,所揭露的系统,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能单元的形式实现。
上述以软件功能单元的形式实现的集成的单元,可以存储在一个计算机可读取存储介质中。上述软件功能单元存储在一个存储介质中,包括若干指令用以使得一台计算机装置(可以是个人计算机,服务器,或者网络装置等)或处理器(processor)执行本发明各个实施例所述方法的部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种版式文档的处理方法,其特征在于,包括:
获取版式文档的元数据;
根据所述版式文档的元数据,获得所述版式文档的标题;
根据所述版式文档的标题,获得所述版式文档的目标目录数据。
2.根据权利要求1所述的方法,其特征在于,所述版式文档的元数据包括所述版本文档的目录页面的元数据和版本文档的正文页面的元数据中的至少一项。
3.根据权利要求1所述的方法,其特征在于,
所述根据所述版式文档的元数据,获得所述版式文档的标题之前,还包括:
获取所述版式文档的参考目录数据,所述参考目录数据为与所述版式文档的内容相同或相似的其他文档的目录数据;
所述根据所述版式文档的元数据,获得所述版式文档的标题,包括:
根据所述版式文档的元数据和所述版式文档的参考目录数据,获得所述版式文档的标题。
4.根据权利要求1所述的方法,其特征在于,所述版式文档的元数据包括所述版本文档的目录页面的元数据;所述获取版式文档的元数据,包括:
获取目录页面的起始部分的元数据、目录页面的结束部分的元数据和目录页面的结构特征的元数据中的至少一项;
根据所述目录页面的起始部分的元数据、所述目录页面的结束部分的元数据和所述目录页面的结构特征的元数据中的至少一项,获取所述版本文档的目录页面的元数据。
5.根据权利要求1~4任一权利要求所述的方法,其特征在于,所述根据所述版式文档的元数据,获得所述版式文档的标题,包括:
利用各个等级目录的特征数据,从所述版式文档的元数据中,获得所述版式文档的标题;或者
根据所述版本文档的元数据,提取所述版式文档的结构化数据;以及根据所述版式文档的结构化数据,获得所述版式文档的标题。
6.一种版式文档的处理装置,其特征在于,包括:
元数据获取单元,用于获取版式文档的元数据;
标题获得单元,用于根据所述版式文档的元数据,获得所述版式文档的标题;
目录获得单元,用于根据所述版式文档的标题,获得所述版式文档的目标目录数据。
7.根据权利要求6所述的装置,其特征在于,所述元数据获取单元所获取的所述版式文档的元数据包括所述版本文档的目录页面的元数据和版本文档的正文页面的元数据中的至少一项。
8.根据权利要求6所述的装置,其特征在于,
所述标题获得单元,还用于
获取所述版式文档的参考目录数据,所述参考目录数据为与所述版式文档的内容相同或相似的其他文档的目录数据;
所述标题获得单元,具体用于
根据所述版式文档的元数据和所述版式文档的参考目录数据,获得所述版式文档的标题。
9.根据权利要求6所述的装置,其特征在于,所述元数据获取单元所获取的所述版式文档的元数据包括所述版本文档的目录页面的元数据;所述元数据获取单元,具体用于
获取目录页面的起始部分的元数据、目录页面的结束部分的元数据和目录页面的结构特征的元数据中的至少一项;以及
根据所述目录页面的起始部分的元数据、所述目录页面的结束部分的元数据和所述目录页面的结构特征的元数据中的至少一项,获取所述版本文档的目录页面的元数据。
10.根据权利要求6~9任一权利要求所述的装置,其特征在于,所述标题获得单元,具体用于
利用各个等级目录的特征数据,从所述版式文档的元数据中,获得所述版式文档的标题;或者
根据所述版本文档的元数据,提取所述版式文档的结构化数据;以及根据所述版式文档的结构化数据,获得所述版式文档的标题。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410754250.4A CN104536948A (zh) | 2014-12-10 | 2014-12-10 | 版式文档的处理方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410754250.4A CN104536948A (zh) | 2014-12-10 | 2014-12-10 | 版式文档的处理方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104536948A true CN104536948A (zh) | 2015-04-22 |
Family
ID=52852476
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410754250.4A Pending CN104536948A (zh) | 2014-12-10 | 2014-12-10 | 版式文档的处理方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104536948A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104850590A (zh) * | 2015-04-24 | 2015-08-19 | 百度在线网络技术(北京)有限公司 | 一种生成结构化数据的元数据的方法与装置 |
CN110705503A (zh) * | 2019-10-14 | 2020-01-17 | 北京信息科技大学 | 生成目录结构化信息的方法和装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060122914A1 (en) * | 2004-11-30 | 2006-06-08 | Moroney Nathan M | Method and system of generating catalogs |
CN102541929A (zh) * | 2010-12-22 | 2012-07-04 | 北大方正集团有限公司 | 提取版式文档目录的方法及装置 |
CN103164388A (zh) * | 2011-12-09 | 2013-06-19 | 北大方正集团有限公司 | 一种版式文件中结构化信息获取的方法及装置 |
CN103778141A (zh) * | 2012-10-23 | 2014-05-07 | 南开大学 | 一种混合pdf图书目录自动抽取算法 |
-
2014
- 2014-12-10 CN CN201410754250.4A patent/CN104536948A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060122914A1 (en) * | 2004-11-30 | 2006-06-08 | Moroney Nathan M | Method and system of generating catalogs |
CN102541929A (zh) * | 2010-12-22 | 2012-07-04 | 北大方正集团有限公司 | 提取版式文档目录的方法及装置 |
CN103164388A (zh) * | 2011-12-09 | 2013-06-19 | 北大方正集团有限公司 | 一种版式文件中结构化信息获取的方法及装置 |
CN103778141A (zh) * | 2012-10-23 | 2014-05-07 | 南开大学 | 一种混合pdf图书目录自动抽取算法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104850590A (zh) * | 2015-04-24 | 2015-08-19 | 百度在线网络技术(北京)有限公司 | 一种生成结构化数据的元数据的方法与装置 |
CN110705503A (zh) * | 2019-10-14 | 2020-01-17 | 北京信息科技大学 | 生成目录结构化信息的方法和装置 |
CN110705503B (zh) * | 2019-10-14 | 2022-02-25 | 北京信息科技大学 | 生成目录结构化信息的方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US7313754B2 (en) | Method and expert system for deducing document structure in document conversion | |
US8819028B2 (en) | System and method for web content extraction | |
US9032285B2 (en) | Selective content extraction | |
CN111737965A (zh) | 文档的比对方法、装置、电子设备和可读存储介质 | |
US10108590B2 (en) | Comparing markup language files | |
TW201741908A (zh) | 將一申請專利範圍中的申請專利範圍元件名詞所屬元件名詞對應標號予以對應之對應方法 | |
US20220222292A1 (en) | Method and system for ideogram character analysis | |
CN102750552A (zh) | 一种手写识别方法、系统及手写识别终端 | |
CN110704608A (zh) | 文本主题生成方法、装置和计算机设备 | |
CN111858905A (zh) | 模型训练方法、信息识别方法、装置、电子设备及存储介质 | |
CN104750663A (zh) | 页面中文本乱码的识别方法及装置 | |
CN111125438A (zh) | 实体信息提取方法、装置、电子设备及存储介质 | |
CN102959538A (zh) | 给文档编索引 | |
JP7493937B2 (ja) | 文書における見出しのシーケンスの識別方法、プログラム及びシステム | |
CN106372232B (zh) | 基于人工智能的信息挖掘方法和装置 | |
CN104536947A (zh) | 版式文档的处理方法及装置 | |
CN114092948A (zh) | 一种票据识别方法、装置、设备以及存储介质 | |
CN103455572A (zh) | 获取网页中影视主体的方法及装置 | |
CN104536948A (zh) | 版式文档的处理方法及装置 | |
CN104933030A (zh) | 一种维吾尔语拼写检查方法及装置 | |
CN105302776B (zh) | 数据校对平台伺服器 | |
CN110674286A (zh) | 一种文本摘要抽取方法、装置及存储设备 | |
CN105320716A (zh) | 数字出版物的自动标注方法 | |
CN115238078A (zh) | 一种网页信息抽取方法、装置、设备及存储介质 | |
US20120144294A1 (en) | Assisting document creation |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20150422 |