CN108415930A - 一种数据解析方法及装置 - Google Patents

Abstract

本发明提供了一种数据解析方法及装置，属于电子发票数据解析领域，用于分割电子发票票面数据中的企业电话号码和企业注册地址、银行名称和银行帐号，包括：对企业原始数据和银行原始数据进行字符标准化处理，得到企业标准数据END和银行标准数据BND；对所述END进行正则匹配，解析出所述END中的企业电话号码，并根据解析出的所述企业电话号码得到所述END中的企业注册地址；对所述BND进行正则匹配，解析出所述BND中的银行账号，并根据解析出的所述银行账号，得到所述BND中的所述银行名称。本发明提供的方法可自动处理大量电子发票数据，具有较高的处理效率。

Description

一种数据解析方法及装置

技术领域

本发明涉及一种数据解析方法及装置，属于电子发票数据解析领域。

背景技术

在电子发票的票面数据中，购买方和销售方的企业注册地址与企业电话号码、银行名称与银行账号在票面中是合在一起罗列的。对于企业而言，处理这些数据时需要将企业注册地址与企业电话号码分开，以及银行名称与银行账号分开。传统的处理方式一般是以空白字符或者逗号来拆分上述内容，然后将结果经过质检程序再而人工拆分。这种方法效率低下，需要花费大量的时间和人力成本。还有一些企业使用规则集来解析上述内容，符合规则的内容会被拆分出来，不符合规则的内容被认为是错误数据或者由人工介入干预处理，这样虽然效率较高，但基于规则的数据解析不够灵活，准确率难以达到99％以上，需要较多的人工介入干预处理。

鉴于此，本发明的目的是提供一种高效率且准确率达到99％以上的数据智能解析方法，以缓解现有技术在电子发票票面数据处理方面的不足。

发明内容

为了解决上述技术问题，本发明的目的在于提供一种数据解析方法及装置，以缓解现有技术存在的问题。

第一方面，本发明提供了一种数据解析方法，包括：对企业原始数据和银行原始数据进行字符标准化处理，删除所述企业原始数据和银行原始数据中的除预定的标准字符集以外的其它字符，得到企业标准数据END(Enterprise Normalized Data)和银行标准数据BND(Bank Normalized Data)；对所述END进行正则匹配，解析出所述END中的企业电话号码，并根据解析出的所述企业电话号码得到所述END中的企业注册地址；对所述BND进行正则匹配，解析出所述BND中的银行账号，并根据解析出的所述银行账号，得到所述BND中的所述银行名称。

进一步地，对企业原始数据和银行原始数据进行字符标准化处理，删除所述企业原始数据和银行原始数据中的除预定的标准字符集以外的其它字符，包括：从所述企业原始数据的第一个字符遍历到最后一个字符，判断所述企业原始数据中每一个字符是否属于所述标准字符集中的字符，如果不是，则将该字符从所述企业原始数据中删除；从所述银行原始数据的第一个字符遍历到最后一个字符，判断所述银行原始数据中每一个字符是否属于所述标准字符集中的字符，如果不是，则将该字符从所述银行原始数据中删除。

进一步地，对所述END进行正则匹配，解析出所述END中的企业电话号码，包括：根据不同类型的电话号码的正则表达式，对所述END进行正则匹配，如果匹配成功，则从所述END中解析出所述企业电话号码。

进一步地，根据解析出的所述企业电话号码得到所述END中的企业注册地址，包括：在所述END进行正则匹配成功的情况下，得到所述企业电话号码在所述END中的索引TI(Telephone Index)和所述企业电话号码的始末字符在所述END的中点的索引位置TMI(Telephone Middle Index)；判断所述END的中点索引位置是否小于所述TMI，如果是，则将所述END中的在所述TI之前的字符作为所述企业注册地址；否则，将所述END中的在所述TI之后的字符作为所述企业注册地址。

进一步地，所述电话号码正则表达式包括：长度为11位数字的手机号码正则表达式；长度为3或4位数字的固定电话区号与长度为7或8位数字的固定电话号码的组合正则表达式；长度为10位数字以400或800开头的企业服务电话号码正则表达式。

进一步地，如果对所述END进行正则匹配失败，所述方法还包括：删除所述END中首部或尾部的数字字符，将删除所述数字字符后的所述END为所述企业注册地址。

进一步地，对所述BND进行正则匹配，解析出所述BND中的银行账号，包括：使用银行账号正则表达式匹配所述BND，如果匹配成功，则从所述BND中解决出所述BND中的银行账号。

进一步地，其特征在于，根据解析出的所述银行账号，得到所述BND中的所述银行名称，包括：在使用银行账号正则表达式匹配所述BND成功的情况下，得到所述银行账号在所述BND中的索引BI(Bank Index)和所述银行账号的始末字符在所述BND的中点的索引位置BMI(BankMiddle Index)；判断所述BND的中点索引位置是否小于所述BMI，如果是，则将所述BND中在所述BI之前的字符作为所述银行名称；否则，将所述BND中在所述BI之后的字符作为所述银行名称。

进一步地，所述银行账号正则表达式包括：长度为大于8位小于26位的数字正则表达式。

进一步地，在使用银行账号正则表达式匹配所述BND失败的情况下，所述方法还包括：删除所述BND中首部或尾部的数字，删除后所述BND为所述银行名称。

进一步地，其特征在于，所述预定的标准字符集，包括：中日韩字符、拉丁字母和阿拉伯数字。

第二方面，本发明还提供了一种数据解析装置，包括标准化处理模块、第一解析模块和第二解析模块；

标准化处理模块，用于对企业原始数据和银行原始数据进行字符标准化处理，删除所述企业原始数据和银行原始数据中的除预定的标准字符集以外的其它字符，得到企业标准数据END和银行标准数据BND；

第一解析模块，用于对所述END进行正则匹配，解析出所述END中的企业电话号码，并根据解析出的所述企业电话号码得到所述END中的企业注册地址；

第二解析模块，用于对所述BND进行正则匹配，解析出所述BND中的银行账号，并根据解析出的所述银行账号，得到所述BND中的所述银行名称。

附图说明

为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一种实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明实施例的一种数据解析方法流程图；

图2是本发明实施例的一种数据解析装置的示意图。

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，下面将结合附图对本发明的技术方案进行清楚、完整地描述，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。

实施例一：

图1是本发明实施例的一种数据解析方法流程图，如图1所示，对企业原始数据和银行原始数据进行字符标准化处理，删除所述企业原始数据和银行原始数据中的除预定的标准字符集以外的其它字符，具体流程为：从所述企业原始数据的第一个字符遍历到最后一个字符，判断所述企业原始数据中每一个字符是否属于所述标准字符集中的字符，如果不是，则将该字符从所述企业原始数据中删除；从所述银行原始数据的第一个字符遍历到最后一个字符，判断所述银行原始数据中每一个字符是否属于所述标准字符集中的字符，如果不是，则将该字符从所述银行原始数据中删除；分别得到所述END和所述BND。所述预定的标准字符集，包括：中日韩字符、拉丁字母和阿拉伯数字。

所述END的处理步骤如下：

第一步，匹配电话号码。所述电话号码正则表达式包括：长度为11位数字的手机号码正则表达式；长度为3或4位数字的固定电话区号与长度为7或8位数字的固定电话号码的组合正则表达式；长度为10位数字以400或800开头的企业服务电话号码正则表达式。

具体地，11位数字的手机号码正则表达式为“1[0-9]{10}”，带国内区号的手机号码正则表达式为“^((\+86)|(86))？(1)\d{10}$”；长度为3或4位数字的固定电话区号与长度为7或8位数字的固定电话号码的组合正则表达式为“^(\d{3，4}-)？\d{7，8})$”；长度为10位数字以400或800开头的企业服务电话号码正则表达式为“(/∧400[0-9]{7}/)|(/∧800[0-9]{7}/)”。

第二步，匹配结果比较。在所述END进行正则匹配成功的情况下，得到所述企业电话号码在所述END中的索引TI(Telephone Index)和所述企业电话号码的始末字符在所述END的中点的索引位置TMI(Telephone Middle Index)；判断所述END的中点索引位置是否小于所述TMI，如果是，则将所述END中的在所述TI之前的字符作为所述企业注册地址；否则，将所述END中的在所述TI之后的字符作为所述企业注册地址。

具体地，以某电子发票企业数据END为例进行说明。例如，票面END信息为“A省B市C街道100号4001234567”，那么通过电话号码正则表达式匹配得到的TI为“第11个到20个字符”，则TMI为15；END中的字符个数为21，那么END的中点索引位置为10；这里显然所述END的中点索引位置小于TMI(即10＜15)，因此TI之前为所述企业注册地址，解析结果符合实际情况。

另一种情况的票面END信息为“4001234567 A省B市C街道100号”，那么通过电话号码正则表达式匹配得到的TI为“第0个到9个字符”，则TMI为4；END中的字符个数为21，那么END的中点索引位置为10；这里显然所述END的中点索引位置大于TMI(即10＞4)，因此TI之后为所述企业注册地址，解析结果符合实际情况。

第三步，匹配失败处理。如果所述电话号码正则表达式匹配所述END失败，则删除所述END中首部或尾部的数字，删除后所述END为所述企业注册地址。

具体地，以票面END信息为“A省B市C街道100号40012345”为例，由于所述企业电话号码长度不符合正则表达式，因此会匹配失败，则删除首部或尾部的数字，得到所述企业注册地址“A省B市C街道100号”。

所述BND的处理步骤如下：

第一步，匹配银行帐号。所述银行账号正则表达式包括：长度为大于8位小于26位的数字正则表达式。具体地，长度为大于8位小于26位的数字正则表达式“^\d{m，n}$”。

第二步，匹配结果比较。在使用银行账号正则表达式匹配所述BND成功的情况下，得到所述银行账号在所述BND中的索引BI(Bank Index)和所述银行账号的始末字符在所述BND的中点的索引位置BMI(BankMiddle Index)；判断所述BND的中点索引位置是否小于所述BMI，如果是，则将所述BND中在所述BI之前的字符作为所述银行名称；否则，将所述BND中在所述BI之后的字符作为所述银行名称。

具体地，以某电子发票银行数据BND为例进行说明。例如，票面BND信息为“甲银行乙支行1234567890”，那么通过银行账号正则表达式匹配得到的BI为“第6个到15个字符”，则BMI为10；BND中的字符个数为16，那么BND的中点索引位置为8；这里显然所述BND的中点索引位置小于BMI(即8＜10)，因此BI之前为所述银行名称，解析结果符合实际情况。

另一种情况的票面BND信息为“1234567890甲银行乙支行”，那么通过银行账号正则表达式匹配得到的BI为“第0个到9个字符”，则BMI为4；BND中的字符个数为16，那么BND的中点索引位置为8；这里显然所述BND的中点索引位置大于BMI(即8＞4)，因此BI之后为所述银行名称，解析结果符合实际情况。

第三步，匹配失败处理。如果所述电话号码正则表达式匹配所述BND失败，则删除所述BND中首部或尾部的数字，删除后所述BND为所述企业注册地址。

具体地，以票面END信息为“甲银行乙支行1234567”为例，由于所述银行账号长度不符合正则表达式，因此会匹配失败，则删除首部或尾部的数字，得到所述银行名称“甲银行乙支行”。

实施例二：

本发明实施例还提供了一种数据解析装置，该数据解析装置主要用于执行本发明实施例上述内容所提供的数据解析方法，以下对本发明实施例提供的数据解析装置做具体介绍。

图2是本发明实施例的一种数据解析装置示意图，如图2所示，该数据解析装置包括标准化处理模块21、第一解析模块22和第二解析模块23；

标准化处理模块21，用于对企业原始数据和银行原始数据进行字符标准化处理，删除所述企业原始数据和银行原始数据中的除预定的标准字符集以外的其它字符，得到企业标准数据END和银行标准数据BND；

第一解析模块22，用于对所述END进行正则匹配，解析出所述END中的企业电话号码，并根据解析出的所述企业电话号码得到所述END中的企业注册地址；

第二解析模块23，用于对所述BND进行正则匹配，解析出所述BND中的银行账号，并根据解析出的所述银行账号，得到所述BND中的所述银行名称。

本发明未详细阐述部分属于本领域公知技术方面的内容。

Claims (12)

1.一种数据解析方法，其特征在于，包括：

对企业原始数据和银行原始数据进行字符标准化处理，删除所述企业原始数据和银行原始数据中的除预定的标准字符集以外的其它字符，得到企业标准数据END和银行标准数据BND；

对所述END进行正则匹配，解析出所述END中的企业电话号码，并根据解析出的所述企业电话号码得到所述END中的企业注册地址；

对所述BND进行正则匹配，解析出所述BND中的银行账号，并根据解析出的所述银行账号，得到所述BND中的所述银行名称。

2.根据权利要求1所述的方法，其特征在于，对企业原始数据和银行原始数据进行字符标准化处理，删除所述企业原始数据和银行原始数据中的除预定的标准字符集以外的其它字符，包括：

从所述企业原始数据的第一个字符遍历到最后一个字符，判断所述企业原始数据中每一个字符是否属于所述标准字符集中的字符，如果不是，则将该字符从所述企业原始数据中删除；

从所述银行原始数据的第一个字符遍历到最后一个字符，判断所述银行原始数据中每一个字符是否属于所述标准字符集中的字符，如果不是，则将该字符从所述银行原始数据中删除。

3.根据权利要求1所述的方法，其特征在于，对所述END进行正则匹配，解析出所述END中的企业电话号码，包括：

根据不同类型的电话号码的正则表达式，对所述END进行正则匹配，如果匹配成功，则从所述END中解析出所述企业电话号码。

4.根据权利要求3所述的方法，其特征在于，根据解析出的所述企业电话号码得到所述END中的企业注册地址，包括：

在所述END进行正则匹配成功的情况下，得到所述企业电话号码在所述END中的索引TI和所述企业电话号码的始末字符在所述END的中点的索引位置TMI；

判断所述END的中点索引位置是否小于所述TMI，如果是，则将所述END中的在所述TI之前的字符作为所述企业注册地址；否则，将所述END中的在所述TI之后的字符作为所述企业注册地址。

5.根据权利要求3所述的方法，其特征在于，所述电话号码正则表达式包括：长度为11位数字的手机号码正则表达式；长度为3或4位数字的固定电话区号与长度为7或8位数字的固定电话号码的组合正则表达式；长度为10位数字以400或800开头的企业服务电话号码正则表达式。

6.根据权利要求3所述的方法，其特征在于，如果对所述END进行正则匹配失败，所述方法还包括：删除所述END中首部或尾部的数字字符，将删除所述数字字符后的所述END为所述企业注册地址。

7.根据权利要求1所述的方法，其特征在于，对所述BND进行正则匹配，解析出所述BND中的银行账号，包括：

使用银行账号正则表达式匹配所述BND，如果匹配成功，则从所述BND中解决出所述BND中的银行账号。

8.根据权利要求7所述的方法，其特征在于，根据解析出的所述银行账号，得到所述BND中的所述银行名称，包括：

在使用银行账号正则表达式匹配所述BND成功的情况下，得到所述银行账号在所述BND中的索引BI和所述银行账号的始末字符在所述BND的中点的索引位置BMI；

判断所述BND的中点索引位置是否小于所述BMI，如果是，则将所述BND中在所述BI之前的字符作为所述银行名称；否则，将所述BND中在所述BI之后的字符作为所述银行名称。

9.根据权利要求7所述的方法，其特征在于，所述银行账号正则表达式包括：长度为大于8位小于26位的数字正则表达式。

10.根据权利要求7所述的方法，其特征在于，在使用银行账号正则表达式匹配所述BND失败的情况下，所述方法还包括：删除所述BND中首部或尾部的数字，删除后所述BND为所述银行名称。

11.根据权利要求1至10任一项所述的方法，其特征在于，所述预定的标准字符集，包括：中日韩字符、拉丁字母和阿拉伯数字。

12.一种数据解析装置，其特征在于，包括：

标准化处理模块，用于对企业原始数据和银行原始数据进行字符标准化处理，删除所述企业原始数据和银行原始数据中的除预定的标准字符集以外的其它字符，得到企业标准数据END和银行标准数据BND；

第一解析模块，用于对所述END进行正则匹配，解析出所述END中的企业电话号码，并根据解析出的所述企业电话号码得到所述END中的企业注册地址；

第二解析模块，用于对所述BND进行正则匹配，解析出所述BND中的银行账号，并根据解析出的所述银行账号，得到所述BND中的所述银行名称。