CN109740130A - 用于生成文件的方法和装置 - Google Patents

Abstract

本申请实施例公开了用于生成文件的方法和装置。该方法的一具体实施方式包括：获取包括多个行和多个列的目标文件；基于多个行，确定至少一个标题行，其中，标题行对应于目标文件包括的分段，标题行包括至少一个标题项目；对于至少一个标题行中的每个标题行，基于该标题行包括的标题项目，确定该标题行对应的分段的数据类型；获取预设的、与所确定的数据类型对应的标题库；将该标题行与所获取的标题库匹配；基于匹配结果，生成该标题行对应的、包含标准标题行和对应的分段包含的数据的标准文件。该实施方式有助于提高数据清洗的效率和准确性。

Description

用于生成文件的方法和装置

技术领域

本申请实施例涉及计算机技术领域，具体涉及用于生成文件的方法和装置。

背景技术

当前，数据已经成为各个行业关注的目标，要开展大数据分析首要的前提就是要汇聚数据。但是汇聚数据时，有来自标准接口的数据，也有来自没有统一标准或不同标准接口的不规范数据。这就有数据清洗入库的问题，而数据清洗与导入也一直是困扰各个行业的问题。

目前市场上已有的产品，对此类不规范数据的导入都依赖于手工清洗导入和模板导入方式，无法智能清洗与导入。

利用模板导入方式，需要手动建立模板，这样的操作非常不便。一旦文件的标题内容及标题项目顺序有任何变动，又得重新指定标题，建立新模板。

发明内容

本申请实施例的目的在于提出了一种改进的用于生成文件的方法和装置，来解决以上背景技术部分提到的技术问题。

第一方面，本申请实施例提供了一种用于生成文件的方法，该方法包括：获取包括多个行和多个列的目标文件；基于多个行，确定至少一个标题行，其中，标题行对应于目标文件包括的分段，标题行包括至少一个标题项目；对于至少一个标题行中的每个标题行，基于该标题行包括的标题项目，确定该标题行对应的分段的数据类型；获取预设的、与所确定的数据类型对应的标题库；将该标题行与所获取的标题库匹配；基于匹配结果，生成该标题行对应的、包含标准标题行和对应的分段包含的数据的标准文件。

在一些实施例中，获取包括多个行和多个列的目标文件，包括：获取待处理文件，以及确定待处理文件的类型；基于类型，对待处理文件中包括的数据进行分隔操作，生成包括多个行和多个列的目标文件。

在一些实施例中，基于类型，对待处理文件中包括的数据进行分隔操作，生成包括多个行和多个列的目标文件，包括：响应于确定待处理文件为文本文件，对待处理文件包括的至少一种分隔符进行统计，基于统计结果确定目标分隔符；根据目标分隔符，对待处理文件中包括的数据进行分隔操作，生成包括多个行和多个列的目标文件。

在一些实施例中，对待处理文件包括的至少一种分隔符进行统计，基于统计结果确定目标分隔符，包括：从至少一种分隔符中，确定至少一种常规分隔符；统计至少一种常规分隔符中的每个常规分隔符的数量；确定所统计的数量中的最大值，响应于确定所确定的最大值大于等于目标数量，将所确定的最大值对应的常规分隔符确定为目标分隔符。

在一些实施例中，在确定所统计的数量中的最大值之后，该方法还包括：响应于确定最大值小于目标数量，统计至少一种分隔符中的、除常规分隔符之外的其他每个分隔符的数量；确定其他每个分隔符的数量的最大值，响应于确定所确定的最大值大于等于目标数量，将所确定的最大值对应的分隔符确定为目标分隔符。

在一些实施例中，在确定其他每个分隔符的数量的最大值之后，该方法还包括：响应于确定所确定的最大值小于目标数量，获取用户输入的分隔符作为目标分隔符。

在一些实施例中，基于多个行，确定至少一个标题行，包括：从多个行中，确定包括的标题项目含有目标内容的行作为待定标题行；从所确定的待定标题行中，将包括至少预设数量个含有目标内容的标题项目的待定标题行确定为目标文件包括的标题行。

在一些实施例中，基于匹配结果，生成该标题行对应的、包含标准标题行和对应的分段包含的数据的标准文件，包括：响应于确定所获取的标题库中存在与该标题行匹配的目标标题行，将所确定的目标标题行确定为标准标题行；

生成该标题行对应的、包含标准标题行和对应的分段包含的数据的标准文件。

在一些实施例中，基于匹配结果，生成该标题行对应的、包含标准标题行和对应的分段包含的数据的标准文件，包括：响应于确定所获取的标题库中不存在与该标题行匹配的目标标题行，对于该标题行包括的标题项目中的每个标题项目，对该标题项目对应的数据进行识别，基于识别结果，生成用于替换该标题项目的标准标题项目；

将包含标准标题项目的该标题行确定为标准标题行；生成该标题行对应的、包含标准标题行和对应的分段包含的数据的标准文件。

在一些实施例中，在对该标题项目对应的数据进行识别之后，该方法还包括：响应于确定对该标题项目对应的数据识别失败，获取用户输入的标题项目作为该标题项目对应的标准标题项目。

在一些实施例中，在生成该标题行对应的、包含标准标题行和对应的分段包含的数据的标准文件之后，该方法还包括：生成该标题行对应的标准文件的项目配置文件。

在一些实施例中，该方法还包括：将所确定的标准标题行加入对应的标题库中。

第二方面，本申请实施例提供了一种用于生成文件的装置，该装置包括：获取模块，配置用于获取包括多个行和多个列的目标文件；确定模块，配置用于基于多个行，确定至少一个标题行，其中，标题行对应于目标文件包括的分段，标题行包括至少一个标题项目；生成模块，配置用于对于至少一个标题行中的每个标题行，基于该标题行包括的标题项目，确定该标题行对应的分段的数据类型；获取预设的、与所确定的数据类型对应的标题库；将该标题行与所获取的标题库匹配；基于匹配结果，生成该标题行对应的、包含标准标题行和对应的分段包含的数据的标准文件。

第三方面，本申请实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如第一方面中任一实现方式描述的方法。

本申请实施例提供的用于生成文件的方法和装置，通过获取包括多个行和多个列的目标文件，再基于多个行，确定至少一个标题行，再基于每个标题行包括的标题项目，确定每个标题行对应的分段的数据类型，以及获取与数据类型对应的标题库，然后将该标题行与标题库匹配，最后基于匹配结果，生成每个标题行对应的标准文件，从而有效地利用了标题库生成标准标题行，进而生成标准文件，实现了自动识别数据类型，生成规范的文件，解决了手动操作的问题，有助于提高数据清洗的效率和准确性。

附图说明

通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：

图1是本申请的一个实施例可以应用于其中的示例性系统架构图；

图2是根据本申请实施例的用于生成文件的方法的一个实施例的流程图；

图3是根据本申请实施例的用于生成文件的方法的又一个实施例的流程图；

图4是根据本申请实施例的用于生成文件的装置的一个实施例的结构示意图；

图5是适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。

具体实施方式

下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。

图1示出了可以应用本申请实施例的用于生成文件的方法或用于生成文件的装置的示例性系统架构100。

如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种应用，例如数据处理类应用、文件处理类应用等。

终端设备101、102、103可以是硬件，也可以是软件。当终端设备101、102、103为硬件时，可以是各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时，可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供分布式服务的软件或软件模块)，也可以实现成单个软件或软件模块。在此不做具体限定。

服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103上传的文件或数据进行处理的后台数据处理服务器。后台数据处理服务器可以对获取的文件或数据进行处理，生成处理结果(例如包含标准标题行和对应的分段包含的数据的标准文件)。

需要说明的是，本申请实施例所提供的用于生成文件的方法可以由服务器105执行，也可以由终端设备101、102、103执行，相应地，用于生成文件的装置可以设置于服务器105中，也可以设置于终端设备101、102、103中。

应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。在所处理的数据不需要从远程获取的情况下，上述系统架构可以不包括网络，而只需服务器或终端设备。

继续参考图2，示出了根据本申请的用于生成文件的方法的一个实施例的流程200。该用于生成文件的方法，包括以下步骤：

步骤201，获取包括多个行和多个列的目标文件。

在本实施例中，用于生成文件的方法的执行主体(例如图1所示的服务器或终端设备)可以通过有线连接方式或者无线连接方式从远程或从本地获取包括多个行和多个列的目标文件。其中，目标文件可以是预设类型的文件，例如文本文件。目标文件中包括的各个列，可以通过分隔符来区别，分隔符可以是各种类型的符号，包括但不限于以下至少一种：制表(tab)符、空格、分号等。目标文件可以是预先由技术人员设置的文件，也可以是由上述执行主体或其他电子设备预先由预设的各种类型的文件转换为的文件。

步骤202，基于多个行，确定至少一个标题行。

在本实施例中，上述执行主体可以基于上述目标文件包括的多个行，确定至少一个标题行。其中，标题行对应于目标文件包括的分段，标题行包括至少一个标题项目。

具体地，通常，上述目标文件包括至少一个分段，每个分段可以具有标题行，每个标题行可以包括至少预设数目个(例如至少四个)标题项目，每个标题项目对应于一列数据。标题项目可以是表征对应的一列数据的类型的信息，例如可以是数据的名称、编号、数据生成时间等。需要说明的是，目标文件中的列对应的标题项目可以为空，即为空的标题项目表征该列的数据的类型为未知。

通常，标题行可以位于某个分段的某一行，上述执行主体可以从各个分段中，确定符合预设条件的行作为标题行。例如将包括文字的行确定为标题行。需要说明的是，上述目标文件也可以不包括标题行，或者，标题行包括的标题项目小于上述预设数目。此时，可以对目标文件包括的、没有对应的标题项目的列的数据进行特征识别，从而得到每个列对应的标题项目，即得到标题行。作为示例，如果某列数据的标题项目为空，且该列包括的数据包括表征时间的文字或字符(例如“月”、“日”、“：”、“**/**/**”等)，则确定该列对应的标题项目为时间。再例如，如果某列数据符合电话号码的特征(例如位数为11位、首数字为1等)，则确定该列对应的标题项目为电话号码。实践中，通常当目标文件包括多个分段时，每个分段具有对应的标题行，当目标文件只包括一个分段时，可以不包括标题行，或标题行包括的标题项目小于预设数目。

在本实施例的一些可选的实现方式中，上述执行主体可以按照如下步骤确定至少一个标题行：

首先，从多个行中，确定包括的标题项目含有目标内容的行作为待定标题行。其中，目标内容可以是预设的符合预设条件的内容。例如，预设条件可以包括但不限于以下至少一种：该行包括的内容不包括数字、该行包括的内容包含预设的关键字等。其中，上述预设的关键字可以是预设的关键字集合中的关键字，例如，关键字集合可以包括：日期、地址、费用等。

然后，从所确定的待定标题行中，将包括至少预设数量个含有目标内容的标题项目的待定标题行确定为目标文件包括的标题行。作为示例，预设数量可以为4，即至少含有4个符合上述预设条件的标题项目的待定标题行为所确定出的标题行。

步骤203，对于至少一个标题行中的每个标题行，基于该标题行包括的标题项目，确定该标题行对应的分段的数据类型；获取预设的、与所确定的数据类型对应的标题库；将该标题行与所获取的标题库匹配；基于匹配结果，生成该标题行对应的、包含标准标题行和对应的分段包含的数据的标准文件。

在本实施例中，对于至少一个标题行中的每个标题行，上述执行主体可以执行如下步骤：

步骤2031，基于该标题行包括的标题项目，确定该标题行对应的分段的数据类型。

其中，数据类型可以包括但不限于以下任一种：话单、银行账单、物流数据、网络服务器日志、网络应用日志等。上述执行主体可以根据该标题行包括的标题项目，确定标题项目是否符合上述数据类型的特征。例如，如果某标题行包括的标题项目包括“交易时间”、“交易额”、“收款方”、“付款方”等关键字时，可以确定该标题行的数据类型为银行账单。

可选的，当上述执行主体无法确定该标题行对应的分段的数据类型时，获取用户输入的数据类型作为该标题行对应的分段的数据类型。

步骤2032，获取预设的、与所确定的数据类型对应的标题库。

具体地，上述执行主体可以从远程或从本地获取预先建立的与所确定的数据类型对应的标题库。其中，标题库中可以存储有多个标题行，各个标题行可以完全不同或部分不同。例如，标题行A和标题行B可以包括部分相同的标题项目。再例如，标题行A和标题行B可以包括相同的标题项目，但标题项目的排列顺序不同。

需要说明的是，标题库可以是各种形式的标题行的集合，例如，标题库可以是二维表格，其中的每行对应一个标题行。

步骤2033，将该标题行与所获取的标题库匹配。

具体地，上述执行主体可以按照各种方法将该标题行与所获取的标题库匹配。例如，将该标题行包括的标题项目依次与标题库中的标题行对比，如果该标题行与标题库中的标题行包括的标题项目完全相同，且顺序也相同，则确定匹配成功。或者，如果该标题行与标题库中的标题行包括的标题项目相似(例如通过计算文本相似度判断标题项目是否相似)，则确定匹配成功。

步骤2034，基于匹配结果，生成该标题行对应的、包含标准标题行和对应的分段包含的数据的标准文件。

具体地，上述标准标题行可以是基于匹配结果生成的标题行，或者是从上述标题库中提取的、与该标题行匹配的标题行。通常，标准文件包括上述目标文件包括的一个分段，即一个标准文件，对应一种类型的数据。上述执行主体可以新建一个文本文件，该文本文件包括标准标题行，以及标准标题行包括的每个标题项目对应的数据。即，每个标题项目对应一列数据，列与列之间通过分隔符区分。生成的标准文件可以被不同的应用程序调用，以对标准文件包含的数据进行分析。通过生成标准文件，可以提高对数据分析的通用性，有助于提高数据分析的效率。

在本实施例的一些可选的实现方式中，上述执行主体可以响应于确定所获取的标题库中存在与该标题行匹配的目标标题行，执行如下步骤：

首先，将所确定的目标标题行确定为标准标题行，即标准标题行为标题库中的标题行。

然后，生成该标题行对应的、包含标准标题行和对应的分段包含的数据的标准文件。

在本实施例的一些可选的实现方式中，上述执行主体可以响应于确定所获取的标题库中不存在与该标题行匹配的目标标题行，执行如下步骤：

首先，对于该标题行包括的标题项目中的每个标题项目，对该标题项目对应的数据进行识别，基于识别结果，生成用于替换该标题项目的标准标题项目。具体地，上述执行主体可以识别每个标题项目对应的数据的特征。例如，如果某列数据的标题项目为空，且该列包括的数据包括表征时间的文字或字符(例如“月”、“日”、“：”、“**/**/**”等)，则确定该列对应的标题项目为时间。再例如，如果某列数据符合电话号码的特征(例如位数为11位、首数字为1等)，则确定该列对应的标题项目为电话号码。

可选的，上述执行主体可以提取该标题项目对应的数据中的预设行数(例如100行)的数据，从而完成对数据的识别。

然后，将包含标准标题项目的该标题行确定为标准标题行。即将该标题行原有的标题项目替换为新生成的标准标题项目，该标题行即为标准标题行。

生成该标题行对应的、包含标准标题行和对应的分段包含的数据的标准文件。

通过对数据进行识别，可以在标题行无法与标题库进行匹配的时候，自动生成标题行包括的各个标题项目，从而提高了生成标准文件的效率。

在本实施例的一些可选的实现方式中，上述执行主体在可以在对该标题项目对应的数据进行识别之后，响应于确定对该标题项目对应的数据识别失败，获取用户输入的标题项目作为该标题项目对应的标准标题项目。从而保证了标准文件包括的标准标题行的准确性。

在本实施例的一些可选的实现方式中，上述执行主体可以在对该标题项目对应的数据进行识别且生成标准标题项目之后，将所确定的标准标题行加入对应的标题库中。从而实现了对标题库的补充，使标题库包括的标题行更加丰富，有助于再次进行数据分析时，提高生成标准文件的效率。

在本实施例的一些可选的实现方式中，在生成该标题行对应的标准文件之后，上述执行主体还可以生成该标题行对应的标准文件的项目配置文件。其中，项目配置文件是用于存储配置信息的文件，利用配置信息，可以使调用上述标准文件的应用程序快速对标准文件进行配置，从而使上述标准文件的应用范围更广，有助于提高数据分析的效率。

本申请的上述实施例提供的方法，通过获取包括多个行和多个列的目标文件，再基于多个行，确定至少一个标题行，再基于每个标题行包括的标题项目，确定每个标题行对应的分段的数据类型，以及获取与数据类型对应的标题库，然后将该标题行与标题库匹配，最后基于匹配结果，生成每个标题行对应的标准文件，从而有效地利用了标题库生成标准标题行，进而生成标准文件，实现了自动识别数据类型，生成规范的文件，解决了手动操作的问题，有助于提高数据清洗的效率和准确性。

进一步参考图3，其示出了用于生成文件的方法的又一个实施例的流程300。该用于生成文件的方法的流程300，包括以下步骤：

步骤301，获取待处理文件，以及确定待处理文件的类型。

在本实施例中，用于生成文件的方法的执行主体(例如图1所示的服务器或终端设备)可以通过有线连接方式或者无线连接方式从远程或从本地获取待处理文件。待处理文件可以是预设的各种类型的文件。

上述执行主体可以进一步确定待处理文件的类型。其中，待处理文件的类型可以包括但不限于以下任一种：PDF文件、EXCEL文件、网页文件、文本文件等。

步骤302，基于类型，对待处理文件中包括的数据进行分隔操作，生成包括多个行和多个列的目标文件。

在本实施例中，上述执行主体可以基于所确定的类型，对待处理文件中包括的数据进行分隔操作，生成包括多个行和多个列的目标文件。

具体地，作为示例，对于EXCEL文件，要启用EXCEL文件处理模块，将EXCEL文件内容读取并转换为TAB分隔的文本文件。如果有多个工作簿，将每个工作簿单独生成一个TAB分隔的文本文件。当EXCEL输出多个文件时，在同路径下生成一个以文件名为目录名的文件夹。工作簿无自定义名或名称相同时，生成同名文件+序号的文本文件。有自定义名但不是对应数据类型时，生成同名文件+工作簿名的文本文件。工作簿名是自定义的不同的数据类型的账号时，生成文件名为工作簿名的文本文件。上述生成的文本文件即为目标文件。

对于PDF文件和网页文件，可以分别通过对应的转换方式读取PDF文件或网页文件的内容并转换为制表(tab)符分隔的文本文件(即目标文件)。

需要说明的是，上述将EXCEL文件、PDF文件、网页文件转换为文本文件的方法是目前广泛研究和应用的公知技术，这里不再赘述。

在本实施例的一些可选的实现方式中，上述执行主体可以响应于确定待处理文件为文本文件，首先对待处理文件包括的至少一种分隔符进行统计，基于统计结果确定目标分隔符。作为示例，上述执行主体可以从各种分隔符中，确定数量最多的一种分隔符，将该分隔符确定为目标分隔符。

然后，根据目标分隔符，对待处理文件中包括的数据进行分隔操作，生成包括多个行和多个列的目标文件。具体地，作为示例，假设目标分隔符为分号，则上述执行主体可以将每一行的数据中，被分号隔开的数据确定为待提取的数据，根据分号对各行数据进行对齐，从而生成包括多个行和多个列的目标文件。

在本实施例的一些可选的实现方式中，上述执行主体可以按照如下步骤对待处理文件包括的至少一种分隔符进行统计，基于统计结果确定目标分隔符：

首先，从至少一种分隔符中，确定至少一种常规分隔符。其中，常规分隔符可以是技术人员预设的分隔符，例如，常规分隔符可以包括：制表符、分号、逗号、分号等。

然后，统计至少一种常规分隔符中的每个常规分隔符的数量。

最后，确定所统计的数量中的最大值，响应于确定所确定的最大值大于等于目标数量，将所确定的最大值对应的常规分隔符确定为目标分隔符。其中，目标数量可以是技术人员预设的数量，也可以是上述执行主体基于预设的算法计算得到的数量。作为示例，目标数量可以是待处理文件包括的数据的总行数与预设倍数(例如4)的乘积。通过本步骤，可以确保得到真实的目标分隔符。

在本实施例的一些可选的实现方式中，上述执行主体可以在确定所统计的数量中的最大值之后，执行如下步骤：

首先，响应于确定最大值小于目标数量，统计至少一种分隔符中的、除常规分隔符之外的其他每个分隔符的数量。

然后，确定其他每个分隔符的数量的最大值，响应于确定所确定的最大值大于等于目标数量，将所确定的最大值对应的分隔符确定为目标分隔符。其中，本实现方式中的目标数量可以与上述实现方式中的目标数量相同或不同。通过执行本实现方式，可以从一些特殊的待处理文件(即不使用常规分隔符分隔数据的文件)中，确定出目标分隔符。从而生成目标文件。

在本实施例的一些可选的实现方式中，上述执行主体可以在确定其他每个分隔符的数量的最大值之后，执行如下步骤：

响应于确定所确定的最大值小于目标数量，获取用户输入的分隔符作为目标分隔符。通过执行本实现方式，可以在无法自动得到目标分隔符的情况下，通过用户手动输入，确定目标分隔符，从而保证确定目标分隔符的准确性。

步骤303，基于多个行，确定至少一个标题行。

在本实施例中，步骤303与图2对应实施例中的步骤202基本一致，这里不再赘述。

步骤304，对于至少一个标题行中的每个标题行，基于该标题行包括的标题项目，确定该标题行对应的分段的数据类型；获取预设的、与所确定的数据类型对应的标题库；将该标题行与所获取的标题库匹配；基于匹配结果，生成该标题行对应的、包含标准标题行和对应的分段包含的数据的标准文件。

在本实施例中，步骤304与图2对应实施例中的步骤203基本一致，这里不再赘述。

从图3中可以看出，与图2对应的实施例相比，本实施例中的用于生成文件的方法的流程300突出了根据待处理文件的类型生成目标文件的步骤。由此，本实施例描述的方案可以更准确地生成目标文件，从而有助于进一步提高生成标准文件的准确性。

进一步参考图4，作为对上述各图所示方法的实现，本申请提供了一种用于生成文件的装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图4所示，本实施例的用于生成文件的装置400包括：获取模块401，配置用于获取包括多个行和多个列的目标文件；确定模块402，配置用于基于多个行，确定至少一个标题行，其中，标题行对应于目标文件包括的分段，标题行包括至少一个标题项目；生成模块403，配置用于对于至少一个标题行中的每个标题行，基于该标题行包括的标题项目，确定该标题行对应的分段的数据类型；获取预设的、与所确定的数据类型对应的标题库；将该标题行与所获取的标题库匹配；基于匹配结果，生成该标题行对应的、包含标准标题行和对应的分段包含的数据的标准文件。

在本实施例中，获取模块401可以通过有线连接方式或者无线连接方式从远程或从本地获取包括多个行和多个列的目标文件。其中，目标文件可以是预设类型的文件，例如文本文件。目标文件中包括的各个列，可以通过分隔符来区别，分隔符可以是各种类型的符号，包括但不限于以下至少一种：制表(tab)符、空格、分号等。目标文件可以是预先由技术人员设置的文件，也可以是由上述装置400或其他电子设备预先由预设的各种类型的文件转换为的文件。

在本实施例中，确定模块402可以基于多个行，确定至少一个标题行。其中，标题行对应于目标文件包括的分段，标题行包括至少一个标题项目。

具体地，通常，上述目标文件包括至少一个分段，每个分段可以具有标题行，每个标题行可以包括至少预设数目个(例如至少四个)标题项目，每个标题项目对应于一列数据。标题项目可以是表征对应的一列数据的类型的信息，例如可以是数据的名称、编号、数据生成时间等。需要说明的是，目标文件中的列对应的标题项目可以为空，即为空的标题项目表征该列的数据的类型为未知。

通常，标题行可以位于某个分段的某一行，上述确定模块402可以从各个分段中，确定符合预设条件的行作为标题行。例如将包括文字的行确定为标题行。需要说明的是，上述目标文件也可以不包括标题行，或者，标题行包括的标题项目小于上述预设数目。此时，可以对目标文件包括的、没有对应的标题项目的列的数据进行特征识别，从而得到每个列对应的标题项目，即得到标题行。作为示例，如果某列数据的标题项目为空，且该列包括的数据包括表征时间的文字或字符(例如“月”、“日”、“：”、“**/**/**”等)，则确定该列对应的标题项目为时间。再例如，如果某列数据符合电话号码的特征(例如位数为11位、首数字为1等)，则确定该列对应的标题项目为电话号码。实践中，通常当目标文件包括多个分段时，每个分段具有对应的标题行，当目标文件只包括一个分段时，可以不包括标题行，或标题行包括的标题项目小于预设数目。

在本实施例中，对于至少一个标题行中的每个标题行，上述生成模块403可以执行如下步骤：

步骤4031，基于该标题行包括的标题项目，确定该标题行对应的分段的数据类型。

其中，数据类型可以包括但不限于以下任一种：话单、银行账单、物流数据、网络服务器日志、网络应用日志等。上述生成模块403可以根据该标题行包括的标题项目，确定标题项目是否符合上述数据类型的特征。例如，如果某标题行包括的标题项目包括“交易时间”、“交易额”、“收款方”、“付款方”等关键字时，可以确定该标题行的数据类型为银行账单。

可选的，当上述生成模块403无法确定该标题行对应的分段的数据类型时，获取用户输入的数据类型作为该标题行对应的分段的数据类型。

步骤4032，获取预设的、与所确定的数据类型对应的标题库。

具体地，上述生成模块403可以从远程或从本地获取预先建立的与所确定的数据类型对应的标题库。其中，标题库中可以存储有多个标题行，各个标题行可以完全不同或部分不同。例如，标题行A和标题行B可以包括部分相同的标题项目。再例如，标题行A和标题行B可以包括相同的标题项目，但标题项目的排列顺序不同。

需要说明的是，标题库可以是各种形式的标题行的集合，例如，标题库可以是二维表格，其中的每行对应一个标题行。

步骤4033，将该标题行与所获取的标题库匹配。

具体地，上述生成模块403可以按照各种方法将该标题行与所获取的标题库匹配。例如，将该标题行包括的标题项目依次与标题库中的标题行对比，如果该标题行与标题库中的标题行包括的标题项目完全相同，且顺序也相同，则确定匹配成功。或者，如果该标题行与标题库中的标题行包括的标题项目相似(例如通过计算文本相似度判断标题项目是否相似)，则确定匹配成功。

步骤4034，基于匹配结果，生成该标题行对应的、包含标准标题行和对应的分段包含的数据的标准文件。

具体地，上述标准标题行可以是基于匹配结果生成的标题行，或者是从上述标题库中提取的、与该标题行匹配的标题行。通常，标准文件包括上述目标文件包括的一个分段，即一个标准文件，对应一种类型的数据。上述生成模块403可以新建一个文本文件，该文本文件包括标准标题行，以及标准标题行包括的每个标题项目对应的数据。即，每个标题项目对应一列数据，列与列之间通过分隔符区分。生成的标准文件可以被不同的应用程序调用，以对标准文件包含的数据进行分析。通过生成标准文件，可以提高对数据分析的通用性，有助于提高数据分析的效率。

在本实施例的一些可选的实现方式中，获取模块401可以包括：确定子模块(图中未示出)，配置用于获取待处理文件，以及确定待处理文件的类型；生成子模块(图中未示出)，配置用于基于类型，对待处理文件中包括的数据进行分隔操作，生成包括多个行和多个列的目标文件。

在本实施例的一些可选的实现方式中，生成子模块可以包括：第一确定子单元(图中未示出)，配置用于响应于确定待处理文件为文本文件，对待处理文件包括的至少一种分隔符进行统计，基于统计结果确定目标分隔符；第一生成子单元(图中未示出)，配置用于根据目标分隔符，对待处理文件中包括的数据进行分隔操作，生成包括多个行和多个列的目标文件。

在本实施例的一些可选的实现方式中，第一确定子单元可以进一步配置用于：从至少一种分隔符中，确定至少一种常规分隔符；统计至少一种常规分隔符中的每个常规分隔符的数量；确定所统计的数量中的最大值，响应于确定所确定的最大值大于等于目标数量，将所确定的最大值对应的常规分隔符确定为目标分隔符。

在本实施例的一些可选的实现方式中，第一确定子单元可以进一步配置用于：响应于确定最大值小于目标数量，统计至少一种分隔符中的、除常规分隔符之外的其他每个分隔符的数量；确定其他每个分隔符的数量的最大值，响应于确定所确定的最大值大于等于目标数量，将所确定的最大值对应的分隔符确定为目标分隔符。

在本实施例的一些可选的实现方式中，第一确定子单元可以进一步配置用于：响应于确定所确定的最大值小于目标数量，获取用户输入的分隔符作为目标分隔符。

在本实施例的一些可选的实现方式中，确定模块402可以包括：第二确定子单元(图中未示出)，配置用于从多个行中，确定包括的标题项目含有目标内容的行作为待定标题行；第三确定子单元(图中未示出)，配置用于从所确定的待定标题行中，将包括至少预设数量个含有目标内容的标题项目的待定标题行确定为目标文件包括的标题行。

在本实施例的一些可选的实现方式中，生成模块403可以包括：第四确定子单元(图中未示出)，配置用于响应于确定所获取的标题库中存在与该标题行匹配的目标标题行，将所确定的目标标题行确定为标准标题行；第二生成子单元(图中未示出)，配置用于生成该标题行对应的、包含标准标题行和对应的分段包含的数据的标准文件。

在本实施例的一些可选的实现方式中，生成模块403可以包括：第三生成子单元(图中未示出)，配置用于响应于确定所获取的标题库中不存在与该标题行匹配的目标标题行，对于该标题行包括的标题项目中的每个标题项目，对该标题项目对应的数据进行识别，基于识别结果，生成用于替换该标题项目的标准标题项目；第五确定子单元(图中未示出)，配置用于将包含标准标题项目的该标题行确定为标准标题行；第四生成子单元(图中未示出)，配置用于生成该标题行对应的、包含标准标题行和对应的分段包含的数据的标准文件。

在本实施例的一些可选的实现方式中，第三生成子单元进一步配置用于：响应于确定对该标题项目对应的数据识别失败，获取用户输入的标题项目作为该标题项目对应的标准标题项目。

在本实施例的一些可选的实现方式中，生成模块进一步配置用于：生成该标题行对应的标准文件的项目配置文件。

在本实施例的一些可选的实现方式中，装置还包括：标题库更新模块(图中未示出)，配置用于将所确定的标准标题行加入对应的标题库中。

本申请的上述实施例提供的装置，通过获取包括多个行和多个列的目标文件，再基于多个行，确定至少一个标题行，再基于每个标题行包括的标题项目，确定每个标题行对应的分段的数据类型，以及获取与数据类型对应的标题库，然后将该标题行与标题库匹配，最后基于匹配结果，生成每个标题行对应的标准文件，从而有效地利用了标题库生成标准标题行，进而生成标准文件，实现了自动识别数据类型，生成规范的文件，解决了手动操作的问题，提高了数据清洗的效率和准确性。

下面参考图5，其示出了适于用来实现本申请实施例的电子设备(例如图1所示的服务器或终端设备)的计算机系统500的结构示意图。图5示出的电子设备仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。

如图5所示，计算机系统500包括中央处理单元(CPU)501，其可以根据存储在只读存储器(ROM)502中的程序或者从存储部分508加载到随机访问存储器(RAM)503中的程序而执行各种适当的动作和处理。在RAM 503中，还存储有系统500操作所需的各种程序和数据。CPU 501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。

以下部件连接至I/O接口505：包括键盘、鼠标等的输入部分506；包括诸如、液晶显示器(LCD)等以及扬声器等的输出部分507；包括硬盘等的存储部分508；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分509。通信部分509经由诸如因特网的网络执行通信处理。驱动器510也可以根据需要连接至I/O接口505。可拆卸介质511，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器510上，以便于从其上读出的计算机程序根据需要被安装入存储部分508。

特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分509从网络上被下载和安装，和/或从可拆卸介质511被安装。在该计算机程序被中央处理单元(CPU)501执行时，执行本申请的方法中限定的上述功能。

需要说明的是，本申请所述的计算机可读介质可以是计算机可读信号介质或者计算机可读介质或者是上述两者的任意组合。计算机可读介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言或其组合来编写用于执行本申请的操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

附图中的流程图和框图，图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本申请实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的模块也可以设置在处理器中，例如，可以描述为：一种处理器包括获取模块、确定模块和确定模块。其中，这些模块的名称在某种情况下并不构成对该模块本身的限定，例如，获取模块还可以被描述为“获取包括多个行和多个列的目标文件的模块”。

作为另一方面，本申请还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：获取包括多个行和多个列的目标文件；基于多个行，确定至少一个标题行，其中，标题行对应于目标文件包括的分段，标题行包括至少一个标题项目；对于至少一个标题行中的每个标题行，基于该标题行包括的标题项目，确定该标题行对应的分段的数据类型；获取预设的、与所确定的数据类型对应的标题库；将该标题行与所获取的标题库匹配；基于匹配结果，生成该标题行对应的、包含标准标题行和对应的分段包含的数据的标准文件。

以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (14)

1.一种用于生成文件的方法，其特征在于，所述方法包括：

获取包括多个行和多个列的目标文件；

基于所述多个行，确定至少一个标题行，其中，标题行对应于所述目标文件包括的分段，标题行包括至少预设数目个标题项目；

对于所述至少一个标题行中的每个标题行，基于该标题行包括的标题项目，确定该标题行对应的分段的数据类型；获取预设的、与所确定的数据类型对应的标题库；将该标题行与所获取的标题库匹配；基于匹配结果，生成该标题行对应的、包含标准标题行和对应的分段包含的数据的标准文件。

2.根据权利要求1所述的方法，其特征在于，所述获取包括多个行和多个列的目标文件，包括：

获取待处理文件，以及确定所述待处理文件的类型；

基于所述类型，对所述待处理文件中包括的数据进行分隔操作，生成包括多个行和多个列的目标文件。

3.根据权利要求2所述的方法，其特征在于，所述基于所述类型，对所述待处理文件中包括的数据进行分隔操作，生成包括多个行和多个列的目标文件，包括：

响应于确定所述待处理文件为文本文件，对所述待处理文件包括的至少一种分隔符进行统计，基于统计结果确定目标分隔符；

根据所述目标分隔符，对所述待处理文件中包括的数据进行分隔操作，生成包括多个行和多个列的目标文件。

4.根据权利要求3所述的方法，其特征在于，所述对所述待处理文件包括的至少一种分隔符进行统计，基于统计结果确定目标分隔符，包括：

从所述至少一种分隔符中，确定至少一种常规分隔符；

统计所述至少一种常规分隔符中的每个常规分隔符的数量；

确定所统计的数量中的最大值，响应于确定所确定的最大值大于等于目标数量，将所确定的最大值对应的常规分隔符确定为目标分隔符。

5.根据权利要求4所述的方法，其特征在于，在所述确定所统计的数量中的最大值之后，所述方法还包括：

响应于确定所述最大值小于目标数量，统计所述至少一种分隔符中的、除常规分隔符之外的其他每个分隔符的数量；

确定所述其他每个分隔符的数量的最大值，响应于确定所确定的最大值大于等于目标数量，将所确定的最大值对应的分隔符确定为目标分隔符。

6.根据权利要求5所述的方法，其特征在于，在所述确定所述其他每个分隔符的数量的最大值之后，所述方法还包括：

响应于确定所确定的最大值小于目标数量，获取用户输入的分隔符作为目标分隔符。

7.根据权利要求1所述的方法，其特征在于，所述基于所述多个行，确定至少一个标题行，包括：

从所述多个行中，确定包括的标题项目含有目标内容的行作为待定标题行；

从所确定的待定标题行中，将包括至少预设数量个含有目标内容的标题项目的待定标题行确定为所述目标文件包括的标题行。

8.根据权利要求1所述的方法，其特征在于，所述基于匹配结果，生成该标题行对应的、包含标准标题行和对应的分段包含的数据的标准文件，包括：

响应于确定所获取的标题库中存在与该标题行匹配的目标标题行，将所确定的目标标题行确定为标准标题行；

生成该标题行对应的、包含标准标题行和对应的分段包含的数据的标准文件。

9.根据权利要求1所述的方法，其特征在于，所述基于匹配结果，生成该标题行对应的、包含标准标题行和对应的分段包含的数据的标准文件，包括：

响应于确定所获取的标题库中不存在与该标题行匹配的目标标题行，对于该标题行包括的标题项目中的每个标题项目，对该标题项目对应的数据进行识别，基于识别结果，生成用于替换该标题项目的标准标题项目；

将包含标准标题项目的该标题行确定为标准标题行；

生成该标题行对应的、包含标准标题行和对应的分段包含的数据的标准文件。

10.根据权利要求9所述的方法，其特征在于，在所述对该标题项目对应的数据进行识别之后，所述方法还包括：

响应于确定对该标题项目对应的数据识别失败，获取用户输入的标题项目作为该标题项目对应的标准标题项目。

11.根据权利要求1-10之一所述的方法，其特征在于，在所述生成该标题行对应的、包含标准标题行和对应的分段包含的数据的标准文件之后，所述方法还包括：

生成该标题行对应的标准文件的项目配置文件。

12.根据权利要求9或10所述的方法，其特征在于，所述方法还包括：

将所确定的标准标题行加入对应的标题库中。

13.一种用于生成文件的装置，其特征在于，所述装置包括：

获取模块，配置用于获取包括多个行和多个列的目标文件；

确定模块，配置用于基于所述多个行，确定至少一个标题行，其中，标题行对应于所述目标文件包括的分段，标题行包括至少一个标题项目；

生成模块，配置用于对于所述至少一个标题行中的每个标题行，基于该标题行包括的标题项目，确定该标题行对应的分段的数据类型；获取预设的、与所确定的数据类型对应的标题库；将该标题行与所获取的标题库匹配；基于匹配结果，生成该标题行对应的、包含标准标题行和对应的分段包含的数据的标准文件。

14.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如权利要求1-12中任一所述的方法。