CN111737965A - 文档的比对方法、装置、电子设备和可读存储介质 - Google Patents

Abstract

本申请公开了一种文档的比对方法、装置、电子设备和可读存储介质，涉及自然语言处理技术领域。本申请在进行文档的比对时所采用的实现方案为：获取待比对的N个文档，所述N为大于等于2的正整数；确定所述N个文档包含的页面中各页面内容所在的页面区域；将所述N个文档的同一页面中位于相同页面区域的页面内容进行比对，并根据比对结果在所述N个文档中对差异内容进行标注。本申请能够提升文档比对的准确性。

Description

文档的比对方法、装置、电子设备和可读存储介质

技术领域

本申请涉及数据处理技术领域，尤其涉及自然语言处理技术领域中的一种文档的比对方法、装置、电子设备和可读存储介质。

背景技术

在日常生活中，文档之间的比对经常发生，例如在企业运营过程中对于合同文档的比对。现有技术通常采用两种方式来实现文档之间的比对，一种是通过人工进行比对，一种是将文档转换为文本序列之后进行比对。

对于第一种方式来说，人工比对的成本较大，且准确性较低；对于第二种方式来说，通常是基于文档中页面的文本行进行比对，并未考虑到文档中页面会出现复杂的布局样式，因此在针对具有复杂布局样式的文档进行比对时，准确性较低。

发明内容

本申请为解决技术问题所采用的技术方案是提供一种文档的比对方法，包括：获取待比对的N个文档，所述N为大于等于2的正整数；确定所述N个文档包含的页面中各页面内容所在的页面区域；将所述N个文档的同一页面中位于相同页面区域的页面内容进行比对，并根据比对结果在所述N个文档中对差异内容进行标注。

本申请为解决技术问题所采用的技术方案是提供一种文档的比对装置，包括：获取单元，用于获取待比对的N个文档，所述N为大于等于2的正整数；确定单元，用于确定所述N个文档包含的页面中各页面内容所在的页面区域；标注单元，用于将所述N个文档的同一页面中位于相同页面区域的页面内容进行比对，并根据比对结果在所述N个文档中对差异内容进行标注。

上述申请中的一个实施例具有如下优点或有益效果：本申请能够提升文档比对的准确性。因为采用了对N个文档中位于相同页面区域的页面内容进行比对的技术手段，所以克服了现有技术在进行文档比对时人力成本高、比对准确性较低的技术问题，实现提升文档比对准确性的技术效果。

上述可选方式所具有的其他效果将在下文中结合具体实施例加以说明。

附图说明

附图用于更好地理解本方案，不构成对本申请的限定。其中：

图1是根据本申请第一实施例的示意图；

图2是根据本申请第二实施例的示意图；

图3是根据本申请第三实施例的示意图；

图4是用来实现本申请实施例的文档的比对方法的电子设备的框图。

具体实施方式

以下结合附图对本申请的示范性实施例做出说明，其中包括本申请实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本申请的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

图1是根据本申请第一实施例的示意图。如图1中所示，本实施例的文档的比对方法，具体可以包括如下步骤：

S101、获取待比对的N个文档，所述N为大于等于2的正整数；

S102、确定所述N个文档包含的页面中各页面内容所在的页面区域；

S103、将所述N个文档的同一页面中位于相同页面区域的页面内容进行比对，并根据比对结果在所述N个文档中对差异内容进行标注。

本实施例的文档的比对方法，通过采用将多个文档的同一页面中位于相同页面区域的页面内容进行比对的方式，能够更加精准地获取待比对的内容流，从而提升在比对具有复杂布局样式的文档时的准确性。

在日常生活中，合同审核是企业防范法律风险的必要程序，经常涉及到大量合同之间的比对工作。但是现有技术依然采用人工的方式来比对合同，导致比对合同的效率、准确性较低。因此，本实施例所获取的N个文档可以为法律领域的合同文档，从而实现不同版本合同之间的比对。

可以理解的是，本实施例中待比对的N个文档也可以为其他领域的文档，例如科技领域的文档、金融领域的文档、医学领域的文档等，本实施例对文档所属的领域不进行限定。

本实施例在获取了待比对的N个文档之后，执行确定N个文档包含的页面中各页面内容所在的页面区域的步骤。其中，本实施例确定的各页面内容所在的页面区域，包括页眉、页脚、正文以及正文中的分栏。

也就是说，本实施例按照不同的页面区域对页面包含的页面内容进行了划分，进而实现根据页面区域得到文档之间待比对内容流的目的，避免了在比对文档时由于互相穿插位于不同区域的页面内容所导致的比对错误，提升了对多个文档之间进行比对的准确性。

另外，本实施例中的S102在确定N个文档包含的页面中各页面内容所在的页面区域之前，还可以包含以下内容：将N个文档的文档格式准换为预设格式。考虑到PDF文档的通用性、兼容性、排版不变等优点，本实施例中的预设格式优选地为PDF格式。

可以理解的是，本实施例中的预设格式还可以为WORD格式、EXCEL格式、HTML格式等，本实施例对预设格式的类型不进行限定。

具体地，本实施例在执行S102确定N个文档包含的页面中各页面内容所在的页面区域时，可以采用以下方式：对N个文档中的各页面进行版面分割，获取各页面的布局样式，所获取的布局样式能够反映页面中各页面内容的分布情况；根据各页面的布局样式，确定页面中各页面内容所在的页面区域，即确定页面内容位于页眉、页脚、正文还是正文中的分栏。

本实施例在确定了N个文档包含的页面中各页面内容所在的页面区域之后，执行将N个文档的同一页面中位于相同页面区域的页面内容进行比对的步骤，从而根据比对结果在N个文档中对差异内容进行标注。

本实施例在将N个文档的同一页面中位于相同页面区域的页面内容进行比对时，可以采用逐页比对的方式依次对N个文档中的同一页面进行比对。为了解决差异跨页的情况，本实施例也可以在将N个文档中各文档包含的页面合并为一个页面之后，采用通篇比对的方式将N个文档中的同一页面进行比对。

具体地，本实施例在将N个文档的同一页面中位于相同页面区域的页面内容进行比对时，可以在识别得到页面内容对应的文本序列之后，将N个文档的同一页面中位于相同区域的文本序列进行逐个字符地比对。

为了能够采用更加细致的比对方式，进一步提升多个文档之间比对的准确性，本实施例在将N个文档的同一页面中位于相同页面区域的页面内容进行比对时，还可以采用以下方式：识别N个文档的同一页面中位于相同页面区域的页面内容对应的数据类型，其中识别得到的数据类型包括文本数据、表格数据以及图片数据中的一种；使用与数据类型对应的比对方法，对N个文档中属于不同数据类型的页面内容进行分别比对。

举例来说，若N个文档包含第一文档和第二文档，若第一文档的第1页中位于正文的页面内容包含文字和图片，第二文档的第1页中位于正文的页面内容包含文字和图片，则本实施例可以分别对第一文档和第二文档中第1页位于正文的文字进行比对、对第一文档和第二文档中第1页位于正文的图片进行比对，无需再将图片识别为文本序列之后再进行比对，其中本实施例可以使用文本相似度的计算方式来比对文字、使用图片相似度的计算方式比对图片。

也就是说，本实施例在进行N个文档中页面内容的比对时，能够根据页面内容所对应的数据类型，采用相应的比对方法对属于同一数据类型的页面内容进行比对，避免了在识别页面内容对应的文本序列时会产生的误差，提升文档之间比对的准确性。

另外，在识别得到页面内容的数据类型为文字时，本实施例在将N个文档的同一页面中位于相同页面区域的页面内容进行比对时，还可以采用以下方式：将N个文档的同一页面中位于相同页面区域的页面内容对应的文本序列切分为不同粒度；根据对应不同粒度的切分结果进行页面内容的比对，例如将文本序列切分为字、词、句、段等粒度。

具体地，本实施例在根据比对结果在N个文档中对差异内容进行标注时，可以采用以下方式：确定差异内容对应的差异类型，例如差异类型包括日期错误、金额错误、实体名称错误或者是错别字等；利用与所确定的差异类型对应的标注方法，在N个文档中对差异内容进行标注，例如对金额错误的差异内容进行高亮显示，对日期错误的差异内容添加下划线，对实体名称错误的差异内容进行加粗显示等。

也就是说，本实施例能够采用不同的标注方法来标注文档之间所存在的差异内容，使得用户能够更加直观、快速地获取文档之间的差异，进一步提升文档的审核效率。

因此，本实施例采用对N个文档中位于相同页面区域的页面内容进行比对的方式，能够针对具有复杂布局样式的文档，更加准确地获取多个文档之间所存在的差异内容(例如增/删/改)，提升了文档比对的准确性，并通过在多个文档中对差异内容进行标注的方式，使得用户更加直观快速地了解文档之间的差异，提升用户对于文档的审核效率。

图2是根据本申请第二实施例的示意图。如图2中所示，本实施例公开了文档中页面的一种布局样式的示意图，该页面中包含页眉、正文以及页脚，正文中又包含分栏1和分栏2；其中，该页面中的文字所在的页面区域为正文中的分栏1，而表格和图片所在的页面区域为分栏2。

因此在进行文档之间的比对时，执行的是对多个文档中该页面的分栏1中的文字进行比对、分栏2中的表格和图片进行比对，避免了现有技术在比对时由于穿插位于不同页面区域的页面内容所导致的误差。

图3是根据本申请第三实施例的示意图。如图3中所示，本实施例的文档的比对装置，包括：

获取单元301、用于获取待比对的N个文档，所述N为大于等于2的正整数；

确定单元302、用于确定所述N个文档包含的页面中各页面内容所在的页面区域；

标注单元303、用于将所述N个文档的同一页面中位于相同页面区域的页面内容进行比对，并根据比对结果在所述N个文档中对差异内容进行标注。

本实施例中获取单元301所获取的N个文档可以为法律领域的合同文档，从而实现不同版本合同之间的比对。

可以理解的是，本实施例中获取单元301获取的待比对的N个文档也可以为其他领域的文档，例如科技领域的文档、金融领域的文档、医学领域的文档等，本实施例对文档所属的领域不进行限定。

本实施例在获取单元301获取了待比对的N个文档之后，由确定单元302执行确定N个文档包含的页面中各页面内容所在的页面区域的步骤。其中，本实施例中确定单元302所确定的各页面内容所在的页面区域，包括页眉、页脚、正文以及正文中的分栏。

另外，本实施例中的确定单元302在确定N个文档包含的页面中各页面内容所在的页面区域之前，还可以包含以下内容：将N个文档的文档格式准换为预设格式。考虑到PDF文档的通用性、兼容性、排版不变等优点，本实施例中的预设格式优选地为PDF格式。

可以理解的是，本实施例中的预设格式还可以为WORD格式、EXCEL格式、HTML格式等，本实施例对预设格式的类型不进行限定。

具体地，本实施例中的确定单元302确定N个文档包含的页面中各页面内容所在的页面区域时，可以采用以下方式：对N个文档中的各页面进行版面分割，获取各页面的布局样式；根据各页面的布局样式，确定页面中各页面内容所在的页面区域。

本实施例在确定单元302确定了N个文档包含的页面中各页面内容所在的页面区域之后，由标注单元303执行将N个文档的同一页面中位于相同页面区域的页面内容进行比对的步骤，从而根据比对结果在N个文档中对差异内容进行标注。

本实施例中的标注单元302在将N个文档的同一页面中位于相同页面区域的页面内容进行比对时，可以采用逐页比对的方式依次对N个文档中的同一页面进行比对。为了解决差异跨页的情况，本实施例中的标注单元302也可以在将N个文档中各文档包含的页面合并为一个页面之后，采用通篇比对的方式将N个文档中的同一页面进行比对。

具体地，本实施例中的标注单元302在将N个文档的同一页面中位于相同页面区域的页面内容进行比对时，可以在识别得到页面内容对应的文本序列之后，将N个文档的同一页面中位于相同区域的文本序列进行逐个字符地比对。

为了能够采用更加细致的比对方式，进一步提升多个文档之间比对的准确性，本实施例中的标注单元302在将N个文档的同一页面中位于相同页面区域的页面内容进行比对时，还可以采用以下方式：识别N个文档的同一页面中位于相同页面区域的页面内容对应的数据类型，其中识别得到的数据类型包括文本数据、表格数据以及图片数据中的一种；使用与数据类型对应的比对方法，对N个文档中属于不同数据类型的页面内容进行分别比对。

另外，在识别得到页面内容的数据类型为文字时，本实施例中的标注单元302在将N个文档的同一页面中位于相同页面区域的页面内容进行比对时，还可以采用以下方式：将N个文档的同一页面中位于相同页面区域的页面内容对应的文本序列切分为不同粒度；根据对应不同粒度的切分结果进行页面内容的比对，例如将文本序列切分为字、词、句、段等粒度。

具体地，本实施例中的标注单元302在根据比对结果在N个文档中对差异内容进行标注时，可以采用以下方式：确定差异内容对应的差异类型；利用与所确定的差异类型对应的标注方法，在N个文档中对差异内容进行标注。

根据本申请的实施例，本申请还提供了一种电子设备和一种计算机可读存储介质。

如图4所示，是根据本申请实施例的文档的比对方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本申请的实现。

如图4所示，该电子设备包括：一个或多个处理器401、存储器402，以及用于连接各部件的接口，包括高速接口和低速接口。各个部件利用不同的总线互相连接，并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理，包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如，耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中，若需要，可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样，可以连接多个电子设备，各个设备提供部分必要的操作(例如，作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图4中以一个处理器401为例。

存储器402即为本申请所提供的非瞬时计算机可读存储介质。其中，所述存储器存储有可由至少一个处理器执行的指令，以使所述至少一个处理器执行本申请所提供的文档的比对方法。本申请的非瞬时计算机可读存储介质存储计算机指令，该计算机指令用于使计算机执行本申请所提供的文档的比对方法。

存储器402作为一种非瞬时计算机可读存储介质，可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块，如本申请实施例中的文档的比对方法对应的程序指令/模块(例如，附图3所示的获取单元301、确定单元302以及标注单元303)。处理器401通过运行存储在存储器402中的非瞬时软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例中的文档的比对方法。

存储器402可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据的电子设备的使用所创建的数据等。此外，存储器402可以包括高速随机存取存储器，还可以包括非瞬时存储器，例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中，存储器402可选包括相对于处理器401远程设置的存储器，这些远程存储器可以通过网络连接至文档的比对方法的电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

文档的比对方法的电子设备还可以包括：输入装置403和输出装置404。处理器401、存储器402、输入装置403和输出装置404可以通过总线或者其他方式连接，图4中以通过总线连接为例。

输入装置403可接收输入的数字或字符信息，以及产生与文档的比对方法的电子设备的用户设置以及功能控制有关的键信号输入，例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置404可以包括显示设备、辅助照明装置(例如，LED)和触觉反馈装置(例如，振动电机)等。该显示设备可以包括但不限于，液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中，显示设备可以是触摸屏。

此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用ASIC(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令，并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的，术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如，磁盘、光盘、存储器、可编程逻辑装置(PLD))，包括，接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。

为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。

计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。

根据本申请实施例的技术方案，采用对N个文档中位于相同页面区域的页面内容进行比对的方式，能够针对具有复杂布局样式的文档，更加准确地获取多个文档之间所存在的差异内容(例如增/删/改)，提升了文档比对的准确性，并通过在多个文档中对差异内容进行标注的方式，使得用户更加直观快速地了解文档之间的差异，提升用户对于文档的审核效率。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本申请公开的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本申请保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等，均应包含在本申请保护范围之内。

Claims (14)

1.一种文档的比对方法，包括：

获取待比对的N个文档，所述N为大于等于2的正整数；

确定所述N个文档包含的页面中各页面内容所在的页面区域；

将所述N个文档的同一页面中位于相同页面区域的页面内容进行比对，并根据比对结果在所述N个文档中对差异内容进行标注。

2.根据权利要求1所述的方法，其中，所述各页面内容所在的页面区域包括页眉、页脚、正文以及正文中的分栏。

3.根据权利要求1所述的方法，还包括：

在确定所述N个文档包含的页面中各页面内容所在的页面区域之前，将所述N个文档的文档格式转换为预设格式。

4.根据权利要求1所述的方法，其中，所述确定所述N个文档包含的页面中各页面内容所在的页面区域包括：

对所述N个文档中的各页面进行版面分割，获取各页面的布局样式；

根据所述各页面的布局样式，确定页面中各页面内容所在的页面区域。

5.根据权利要求1所述的方法，其中，所述将所述N个文档的同一页面中位于相同页面区域的页面内容进行比对包括：

识别所述N个文档的同一页面中位于相同页面区域的页面内容对应的数据类型；

使用与数据类型对应的比对方法，对属于不同数据类型的页面内容进行分别比对。

6.根据权利要求1所述的方法，其中，所述根据比对结果在所述N个文档中对差异内容进行标注包括：

确定差异内容对应的差异类型；

利用与所确定的差异类型对应的标注方法，在所述N个文档中对差异内容进行标注。

7.一种文档的比对装置，包括：

获取单元，用于获取待比对的N个文档，所述N为大于等于2的正整数；

确定单元，用于确定所述N个文档包含的页面中各页面内容所在的页面区域；

标注单元，用于将所述N个文档的同一页面中位于相同页面区域的页面内容进行比对，并根据比对结果在所述N个文档中对差异内容进行标注。

8.根据权利要求7所述的装置，其中，所述确定单元确定的各页面内容所在的页面区域包括页眉、页脚、正文以及正文中的分栏。

9.根据权利要求7所述的装置，还包括：

所述确定单元在确定所述N个文档包含的页面中各页面内容所在的页面区域之前，将所述N个文档的文档格式转换为预设格式。

10.根据权利要求7所述的装置，其中，所述确定单元在确定所述N个文档包含的页面中各页面内容所在的页面区域时，具体执行：

对所述N个文档中的各页面进行版面分割，获取各页面的布局样式；

根据所述各页面的布局样式，确定页面中各页面内容所在的页面区域。

11.根据权利要求7所述的装置，其中，所述标注单元在将所述N个文档的同一页面中位于相同页面区域的页面内容进行比对时，具体执行：

识别所述N个文档的同一页面中位于相同页面区域的页面内容对应的数据类型；

使用与数据类型对应的比对方法，对属于不同数据类型的页面内容进行分别比对。

12.根据权利要求7所述的装置，其中，所述标注单元在根据比对结果在所述N个文档中对差异内容进行标注时，具体执行：

确定差异内容对应的差异类型；

利用与所确定的差异类型对应的标注方法，在所述N个文档中对差异内容进行标注。

13.一种电子设备，其特征在于，包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-6中任一项所述的方法。

14.一种存储有计算机指令的非瞬时计算机可读存储介质，其特征在于，所述计算机指令用于使所述计算机执行权利要求1-6中任一项所述的方法。

Images