CN113673213A - 基于模板的表格信息抽取方法及系统 - Google Patents
基于模板的表格信息抽取方法及系统 Download PDFInfo
- Publication number
- CN113673213A CN113673213A CN202110980680.8A CN202110980680A CN113673213A CN 113673213 A CN113673213 A CN 113673213A CN 202110980680 A CN202110980680 A CN 202110980680A CN 113673213 A CN113673213 A CN 113673213A
- Authority
- CN
- China
- Prior art keywords
- row
- column
- initial
- information
- change number
- 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.)
- Granted
Links
- 238000000605 extraction Methods 0.000 title claims abstract description 59
- 238000000034 method Methods 0.000 claims abstract description 39
- 230000008859 change Effects 0.000 claims description 81
- 230000014509 gene expression Effects 0.000 claims description 46
- 238000012423 maintenance Methods 0.000 abstract description 5
- 230000006870 function Effects 0.000 description 18
- 238000010586 diagram Methods 0.000 description 10
- 230000006872 improvement Effects 0.000 description 9
- 230000008569 process Effects 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 210000002837 heart atrium Anatomy 0.000 description 3
- 239000004567 concrete Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000004078 waterproofing Methods 0.000 description 2
- 240000007594 Oryza sativa Species 0.000 description 1
- 235000007164 Oryza sativa Nutrition 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 229920001296 polysiloxane Polymers 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 239000011150 reinforced concrete Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 235000009566 rice Nutrition 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/10—Text processing
- G06F40/166—Editing, e.g. inserting or deleting
- G06F40/186—Templates
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/80—Information retrieval; Database structures therefor; File system structures therefor of semi-structured data, e.g. markup language structured data such as SGML, XML or HTML
- G06F16/84—Mapping; Conversion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/10—Text processing
- G06F40/166—Editing, e.g. inserting or deleting
- G06F40/177—Editing, e.g. inserting or deleting of tables; using ruled lines
- G06F40/18—Editing, e.g. inserting or deleting of tables; using ruled lines of spreadsheets
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Machine Translation (AREA)
Abstract
本发明公开了一种基于模板的表格信息抽取方法及系统，所述方法包括：确定信息名key和对应的信息值value，得到表格信息抽取模板；基于所述表格信息抽取模板中的信息名key和信息值value，对表格进行信息抽取。本发明适用于大多数的表格，而不需提前判定待分析的表格形式。针对新的表格形式的信息抽取，只需增加新的模板规则即可，便于维护，抽取成本低。
Description
技术领域
本发明涉及计算机技术领域，尤其是涉及一种基于模板的表格信息抽取方法及系统。
背景技术
随着信息技术的快速发展，各个行业中知识库的构建，被应用于智能问答、智能搜索、个性化推荐等各类系统中。从文本中抽取信息构建知识库，利用现有自然语言处理技术进行抽取，存在一定的错误概率，因此需要人为校验。考虑到不同行业存在大量的表格数据，且半结构化的表格相比非结构化文本具有更高的数据质量。如何正确、有效的解析表格数据，从中抽取信息用于知识库的扩充，是一个及有意义的问题。
目前针对表格信息的抽取一般针对不同格式的表格，会指定一套抽取的规则，即针对不同表头形式的表格，抽取规则是不同。这样抽取成本较高，维护比较困难。
发明内容
本发明的目的在于提供一种基于模板的表格信息抽取方法及系统，旨在解决现有技术中的上述问题。
本发明提供一种基于模板的表格信息抽取方法，包括：
确定信息名key和对应的信息值value，得到表格信息抽取模板；
基于所述表格信息抽取模板中的信息名key和信息值value，对表格进行信息抽取。
本发明提供一种基于模板的表格信息抽取系统，包括：
模板确定模块，用于确定信息名key和对应的信息值value，得到表格信息抽取模板；
抽取模块，用于基于所述表格信息抽取模板中的信息名key和信息值value，对表格进行信息抽取。
本发明实施例的技术方案，适用于大多数的表格，而不需提前判定待分析的表格形式。针对新的表格形式的信息抽取，只需增加新的模板规则即可，便于维护，抽取成本低。
上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。
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些实施方式，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是本发明实施例的基于模板的表格信息抽取方法的流程图；
图2是本发明实施例的基于模板的表格信息抽取系统的示意图。
具体实施方式
下面将结合实施例对本发明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做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”、“顺时针”、“逆时针”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个所述特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。此外，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
方法实施例
根据本发明实施例，提供了一种基于模板的表格信息抽取方法，图1是本发明实施例的基于模板的表格信息抽取方法的流程图，如图1所示，根据本发明实施例的基于模板的表格信息抽取方法具体包括：
步骤101，确定信息名key和对应的信息值value，得到表格信息抽取模板；其中，信息名key的类型包括：表头名、已知表头名组合、以及未知表头名组合，其中，未知表头名的表达格式为：关键词^行变化数，列变化数。在步骤101中，确定对应的信息值value具体包括：
根据信息值value的表达式“关键词1^行变化数1，列变化数1&&关键词2^行变化数2，列变化数2&&……”确定对应的信息值value。
步骤102，基于表格信息抽取模板中的信息名key和信息值value，对表格进行信息抽取。步骤102具体包括：
在信息名key的类型为未知表头名组合时，根据未知表头名表达式中的关键词和表格中每个单元格的内容进行全匹配，将匹配上的单元格命名为初始单元格，且将初始单元格所占的行和列，定义为初始行、初始列；
对初始行、初始列进行操作，根据未知表头名表达式中的行变化数和列变化数，得到最终单元格的行和列，其中，行变化数或列变化数的表达式包括：情况一：只有一个数字m，表示初始行往下移动m行，得到最终单元格的行数，初始列往右移动m列，得到最终单元格的列数；情况二：采用m-n，其中n>m，或n＝*，表示初始行往下分别移动m行、m+1行、m+2行、……、n行，初始列往右分别移动m列、m+1列、m+2列、……、n列，若n为*时，表示无上限，至到表格的最后一行或最后一列为止。
在步骤102中，基于表格信息抽取模板中的信息值value对表格进行信息抽取具体包括：
1、将信息值value的表达式依据“&&”拆分成一个或多个最小粒度规则，其中，最小粒度规则的表达式为：关键词^行变化数，列变化数；
2、根据每个最小粒度规则对表格进行信息抽取；具体地：根据最小粒度规则的表达式中的关键词和表格中每个单元格的内容进行全匹配，将匹配上的单元格命名为初始单元格，且将初始单元格所占的行和列，定义为初始行、初始列；对初始行、初始列进行操作，根据行变化数、列变化数，得到最终单元格的行和列，其中，行变化数或列变化数的表达式包括：情况一：只有一个数字m，表示初始行往下移动m行，得到最终单元格的行数，初始列往右移动m列，得到最终单元格的列数；情况二：采用m-n，其中n＞m，或n＝*，表示初始行往下分别移动m行、m+1行、m+2行、......、n行，初始列往右分别移动m列、m+1列、m+2列、......、n列，若n为*时，表示无上限，至到表格的最后一行或最后一列为止。
3、依据每个最小粒度规则获取单元格求交集，即共同的单元格即为最终的信息值value的值。
以下结合表1-表6，对本发明实施例的技术方案进行详细说明。
表1
表2
| 建筑名称 | 餐厅 | 备注 |
| 主要功能 | 支行办公、倒班宿舍 | |
| 本子项建筑面积 | 23890m<sup>2</sup> | 不含地下室部分 |
| 建筑基底面积 | 1864m<sup>2</sup> | |
| 建筑层数，高度 | 地上十八层、地下二层 | |
| 地下室埋深 | - | 见地下室子项 |
| 主体结构设计使用年限 | 50年 | |
| 建筑防火类别 | 一类高层 | |
| 耐火等级 | 一级 | |
| 建筑防火计算高度 | 6645米 | 室外地坪至主楼屋面结构板高度 |
| 地下室防水等级 | - | 见地下室子项 |
| 防水混凝土设计抗渗等级 | P8 | |
| 抗震设防烈度 | 7度 | |
| 主体结构选型 | 现浇钢筋混凝土框架剪力墙结构 |
表3
| 建筑名称 | B7号楼 | 备注 |
| 主要功能 | 科研办公 | |
| 地上建筑面积 | 10273.01m<sup>2</sup> | |
| 建筑占地面积 | 1208.39m<sup>2</sup> | |
| 建筑层数，高度 | 8F/2D，29.95m | |
| 楼层最大建筑面积 | 1414.39m<sup>2</sup> | |
| 建筑防火计算高度 | 29.95m | |
| 建筑防火类别 | 二类高层建筑 | |
| 耐火等级 | 地上一级，地下一级 | |
| 设计使用年限 | 50年 | |
| 地震基本烈度 | 7度 | |
| 主体结构选型 | 现浇钢筋混凝土框架结构 | |
| 地下室防水等级 | 二级 | |
| 屋面防水等级 | II级 |
表4
表5
表6
本发明实施例提出了一种基于模板的表格信息抽取方法，适用于大多数的表格，而不需提前判定待分析的表格形式。针对新的表格形式的信息抽取，只需增加新的模板规则即可，便于维护。信息(key,value)用二元组的结构表示，其中key表示信息名，value代表具体的信息值，本发明实施例提出的方法还有以下两个特点：
第一：要抽取的信息key多样化，可是表头(如’建筑名称’)或表头的组合(如’餐厅主要功能’，‘餐厅建筑基地面积’)。
第二：要抽取的信息key可非提前确定，如表2、表3所示，关于不同建筑的表格，要抽取的信息是和具体的建筑名称有关的，针对表2，本发明实施例要抽取是‘餐厅主要功能’，而针对表3又改成了要抽取‘B7号楼主要功能’。又如表4，针对抽取‘不同房间夏季温度’，其实要抽取‘展厅夏季温度’、‘藏品库夏季温度’、‘办公室夏季温度’、‘会议室夏季温度’、‘中庭夏季温度’5个信息。
如表1所示，表格信息抽取时所基于的模板，第一列定义了信息名key，第二列用于确定信息名未知部分，第二列用于定位具体信息值value。基于该模板具体的抽取步骤为：
步骤1，信息名key的确定。
key分为三类，第一类为表头名,如表1中的“夏季室外空调计算干球温度”为表6的表头；第二类为已知表头的组合,如表1中“冬季大气压力(Pa)”为表5的两个表头“冬季”和“大气压力(Pa)”的组合；第三类为未知表头组合，如表1中“[X]主要功能”中[X]是未知的，在表2中，[X]表示餐厅，key为表头“餐厅”“主要功能”的组合，在表3中，[X]表示B7号楼，key为表头“B7号楼”和“主要功能”的组合。
针对第三类key的未知部分，可根据表2的第二列进行确定，表达格式为：关键词^行变化数，列变化数。解析规则如下：
1-1：初始单元格的确定；根据关键词和表格中每个单元格的内容进行全匹配，将匹配上的单元格命名为初始单元格，且将初始单元格所占的行和列，定义为初始行、初始列。如附表1中“房间名称^1-*,0”在表4中，根据“房间名称”匹配到初始单元格所占行为1-3，所占列为1。
1-2：单元格的移动；对初始行、初始列进行操作，根据行变化数、列变化数，得到最终单元格的行和列，其中行变化数或列变化数的表达式有两种，第一种是只有一个数字m，表示初始行往下移动m行，得到最终单元格的行数，初始列往右移动m列，得到最终单元格的列数；第二种是m-n(其中n>m，或n＝*)，表示初始行往下分别移动m行、m+1行、m+2行、……、n行，初始列往右分别移动m列、m+1列、m+2列、……、n列，若n为*时，表示无上限，至到表格的最后一行或最后一列为止。如针对附表1中“房间名称^1-*,0”的初始行往下分别移动1、2、3……行，初始列往右分别移动0列，得到5个最终单元格：展厅(4行1列)、藏品库(5行1列)、办公室(6行1列)、会议室(7行1列)、中庭(8行1列)，因此key“夏季[X]室内相对湿度”在表4中表示5个key:夏季展厅室内相对湿度、夏季藏品库室内相对湿度、夏季办公室室内相对湿度、夏季会议室室内相对湿度、夏季中庭室内相对湿度。
2:具体信息值value的确定；如附表1中第三列所示，用于确定value的表达式为：“关键词1^行变化数1，列变化数1&&关键词2^行变化数2，列变化数2&&……”。解析规则如下：
2-1：规则的拆分，将确定value的表达式依据“&&”拆分成一个或多个最小粒度规则，其中最小粒度规则的表达式为：关键词^行变化数，列变化数。如表1中冬季^1-*,0&&大气压力(Pa)^0,1拆分成冬季^1-*,0、大气压力(Pa)^0,1两个最小粒度规则。
2-2：最小粒度规则的解析：根据每个最小粒度规则对表格进行信息抽取，具体抽取规则如下：
2-2-1：初始单元格的确定；根据关键词和表格中每个单元格的内容进行全匹配，将匹配上的单元格命名为初始单元格，且将初始单元格所占的行和列，定义为初始行、初始列。
2-2-2：单元格的移动；对初始行、初始列进行操作，根据行变化数、列变化数，得到最终单元格的行和列，其中行变化数或列变化数的表达式有两种，第一种是只有一个数字m，表示初始行往下移动m行，得到最终单元格的行数，初始列往右移动m列，得到最终单元格的列数；第二种是m-n(其中n>m，或n＝*)，表示初始行往下分别移动m行、m+1行、m+2行、……、n行，初始列往右分别移动m列、m+1列、m+2列、……、n列，若n为*时，表示无上限，至到表格的最后一行或最后一列为止。
如：在表5中，冬季^1-*,0初始行列为(1，3-4)，经过移动单元格行列为(2，3)、(2，4)、(3，3)、(3，4)、(4，3)、(4，4)、(5，3)、(5，4)、(6，3)、(6，4)；大气压力(Pa)^0,1初始行列为(2，1)、(2，3)经过移动后单元格行列为(2，2)、(2，4)。
2-3：value的确定：依据每个最小粒度规则获取单元格求交集，即共同的单元格即为最终的value值。如，在表5中，冬季^1-*,0&&大气压力(Pa)^0,1将冬季^1-*,0、大气压力(Pa)^0,1解析得到的单元格求交集的单元格行列为(2，4)，也就是“冬季大气压力(Pa)”为“96320”。
综上所述，借助于本发明实施例的技术方案，适用于大多数的表格，而不需提前判定待分析的表格形式。针对新的表格形式的信息抽取，只需增加新的模板规则即可，便于维护，抽取成本低。
系统实施例
根据本发明实施例，提供了一种基于模板的表格信息抽取系统，图2是本发明实施例的基于模板的表格信息抽取系统的示意图，如图2所示，根据本发明实施例的基于模板的表格信息抽取系统具体包括：
模板确定模块20，用于确定信息名key和对应的信息值value，得到表格信息抽取模板；其中，所述信息名key的类型包括：表头名、已知表头名组合、以及未知表头名组合，其中，所述未知表头名的表达式为：关键词^行变化数，列变化数；模板确定模块20具体用于：
根据信息值value的表达式“关键词1^行变化数1，列变化数1&&关键词2^行变化数2，列变化数2&&……”确定对应的信息值value；
抽取模块22，用于基于所述表格信息抽取模板中的信息名key和信息值value，对表格进行信息抽取。所述抽取模块22具体用于：
在所述信息名key的类型为未知表头名组合时，根据所述未知表头表达式中的关键词和表格中每个单元格的内容进行全匹配，将匹配上的单元格命名为初始单元格，且将初始单元格所占的行和列，定义为初始行、初始列；
对初始行、初始列进行操作，根据所述信息名key中的行变化数和列变化数，得到最终单元格的行和列，其中，行变化数或列变化数的表达式包括：情况一：只有一个数字m，表示初始行往下移动m行，得到最终单元格的行数，初始列往右移动m列，得到最终单元格的列数；情况二：采用m-n，其中n>m，或n＝*，表示初始行往下分别移动m行、m+1行、m+2行、……、n行，初始列往右分别移动m列、m+1列、m+2列、……、n列，若n为*时，表示无上限，至到表格的最后一行或最后一列为止。
将信息值value的表达式依据“&&”拆分成一个或多个最小粒度规则，其中，最小粒度规则的表达式为：关键词^行变化数，列变化数；
根据每个最小粒度规则对表格进行信息抽取；具体地：根据最小粒度规则的表达式中的关键词和表格中每个单元格的内容进行全匹配，将匹配上的单元格命名为初始单元格，且将初始单元格所占的行和列，定义为初始行、初始列；对初始行、初始列进行操作，根据行变化数、列变化数，得到最终单元格的行和列，其中，行变化数或列变化数的表达式包括：情况一：只有一个数字m，表示初始行往下移动m行，得到最终单元格的行数，初始列往右移动m列，得到最终单元格的列数；情况二：采用m-n，其中n>m，或n＝*，表示初始行往下分别移动m行、m+1行、m+2行、……、n行，初始列往右分别移动m列、m+1列、m+2列、……、n列，若n为*时，表示无上限，至到表格的最后一行或最后一列为止。
依据每个最小粒度规则获取单元格求交集，即共同的单元格即为最终的信息值value的值。
本发明实施例是与上述方法实施例对应的系统实施例，各个模块的具体操作可以参照方法实施例的描述进行理解，在此不再赘述。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
在20世纪30年代，对于一个技术的改进可以很明显地区分是硬件上的改进(例如，对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件(Programmable Logic Device，PLD)(例如现场可编程门阵列(Field Programmable GateArray，FPGA))就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言(Hardware Description Language，HDL)，而HDL也并非仅有一种，而是有许多种，如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等，目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本说明书实施例时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白，本说明书一个或多个实施例可提供为方法、系统或计算机程序产品。因此，本说明书一个或多个实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书是参照根据本说明书实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本说明书一个或多个实施例可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书的一个或多个实施例，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上所述仅为本文件的实施例而已，并不用于限制本文件。对于本领域技术人员来说，本文件可以有各种更改和变化。凡在本文件的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本文件的权利要求范围之内。
Claims (10)
1.一种基于模板的表格信息抽取方法，其特征在于，包括：
确定信息名key和对应的信息值value，得到表格信息抽取模板；
基于所述表格信息抽取模板中的信息名key和信息值value，对表格进行信息抽取。
2.根据权利要求1所述的方法，其特征在于，所述信息名key的类型包括：表头名、已知表头名组合、以及未知表头名组合，其中，所述未知表头名的表达式为：关键词^行变化数，列变化数。
3.根据权利要求2所述的方法，其特征在于，基于所述表格信息抽取模板中的信息名key对表格进行信息抽取具体包括：
在所述信息名key的类型为未知表头名组合时，根据所述未知表头名表达式中的关键词和表格中每个单元格的内容进行全匹配，将匹配上的单元格命名为初始单元格，且将初始单元格所占的行和列，定义为初始行、初始列；
对初始行、初始列进行操作，根据所述未知表头名表达式中的行变化数和列变化数，得到最终单元格的行和列，其中，行变化数或列变化数的表达式包括：情况一：只有一个数字m，表示初始行往下移动m行，得到最终单元格的行数，初始列往右移动m列，得到最终单元格的列数；情况二：采用m-n，其中n>m，或n＝*，表示初始行往下分别移动m行、m+1行、m+2行、……、n行，初始列往右分别移动m列、m+1列、m+2列、……、n列，若n为*时，表示无上限，至到表格的最后一行或最后一列为止。
4.根据权利要求1所述的方法，其特征在于，确定对应的信息值value具体包括：
根据信息值value的表达式“关键词1^行变化数1，列变化数1&&关键词2^行变化数2，列变化数2&&……”确定对应的信息值value。
5.根据权利要求4所述的方法，其特征在于，基于所述表格信息抽取模板中的信息值value对表格进行信息抽取具体包括：
将信息值value的表达式依据“&&”拆分成一个或多个最小粒度规则，其中，最小粒度规则的表达式为：关键词^行变化数，列变化数；
根据每个最小粒度规则对表格进行信息抽取；
依据每个最小粒度规则获取单元格求交集，即共同的单元格即为最终的信息值value的值。
6.根据权利要求5所述的方法，其特征在于，根据每个最小粒度规则对表格进行信息抽取具体包括：
根据最小粒度规则的表达式中的关键词和表格中每个单元格的内容进行全匹配，将匹配上的单元格命名为初始单元格，且将初始单元格所占的行和列，定义为初始行、初始列；
对初始行、初始列进行操作，根据行变化数、列变化数，得到最终单元格的行和列，其中，行变化数或列变化数的表达式包括：情况一：只有一个数字m，表示初始行往下移动m行，得到最终单元格的行数，初始列往右移动m列，得到最终单元格的列数；情况二：采用m-n，其中n>m，或n＝*，表示初始行往下分别移动m行、m+1行、m+2行、……、n行，初始列往右分别移动m列、m+1列、m+2列、……、n列，若n为*时，表示无上限，至到表格的最后一行或最后一列为止。
7.一种基于模板的表格信息抽取系统，其特征在于，包括：
模板确定模块，用于确定信息名key和对应的信息值value，得到表格信息抽取模板；
抽取模块，用于基于所述表格信息抽取模板中的信息名key和信息值value，对表格进行信息抽取。
8.根据权利要求7所述的系统，其特征在于，所述信息名key的类型包括：表头名、已知表头名组合、以及未知表头名组合，其中，所述未知表头名的表达式为：关键词^行变化数，列变化数；
所述抽取模块具体用于：
在所述信息名key的类型为未知表头名组合时，根据所述未知表头名表达式中的关键词和表格中每个单元格的内容进行全匹配，将匹配上的单元格命名为初始单元格，且将初始单元格所占的行和列，定义为初始行、初始列；
对初始行、初始列进行操作，根据所述未知表头名表达式y中的行变化数和列变化数，得到最终单元格的行和列，其中，行变化数或列变化数的表达式包括：情况一：只有一个数字m，表示初始行往下移动m行，得到最终单元格的行数，初始列往右移动m列，得到最终单元格的列数；情况二：采用m-n，其中n>m，或n＝*，表示初始行往下分别移动m行、m+1行、m+2行、……、n行，初始列往右分别移动m列、m+1列、m+2列、……、n列，若n为*时，表示无上限，至到表格的最后一行或最后一列为止。
9.根据权利要求7所述的系统，其特征在于，确定对应的信息值value具体包括：
根据信息值value的表达式“关键词1^行变化数1，列变化数1&&关键词2^行变化数2，列变化数2&&……”确定对应的信息值value；
所述抽取模块具体用于：
将信息值value的表达式依据“&&”拆分成一个或多个最小粒度规则，其中，最小粒度规则的表达式为：关键词^行变化数，列变化数；
根据每个最小粒度规则对表格进行信息抽取；
依据每个最小粒度规则获取单元格求交集，即共同的单元格即为最终的信息值value的值。
10.根据权利要求9所述的系统，其特征在于，所述抽取模块具体用于：
根据最小粒度规则的表达式中的关键词和表格中每个单元格的内容进行全匹配，将匹配上的单元格命名为初始单元格，且将初始单元格所占的行和列，定义为初始行、初始列；
对初始行、初始列进行操作，根据行变化数、列变化数，得到最终单元格的行和列，其中，行变化数或列变化数的表达式包括：情况一：只有一个数字m，表示初始行往下移动m行，得到最终单元格的行数，初始列往右移动m列，得到最终单元格的列数；情况二：采用m-n，其中n>m，或n＝*，表示初始行往下分别移动m行、m+1行、m+2行、……、n行，初始列往右分别移动m列、m+1列、m+2列、……、n列，若n为*时，表示无上限，至到表格的最后一行或最后一列为止。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110980680.8A CN113673213B (zh) | 2021-08-25 | 2021-08-25 | 基于模板的表格信息抽取方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110980680.8A CN113673213B (zh) | 2021-08-25 | 2021-08-25 | 基于模板的表格信息抽取方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113673213A true CN113673213A (zh) | 2021-11-19 |
| CN113673213B CN113673213B (zh) | 2023-11-07 |
Family
ID=78546032
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110980680.8A Active CN113673213B (zh) | 2021-08-25 | 2021-08-25 | 基于模板的表格信息抽取方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113673213B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116911268A (zh) * | 2023-09-11 | 2023-10-20 | 中移(苏州)软件技术有限公司 | 一种表格信息处理方法、装置、处理设备及可读存储介质 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106649319A (zh) * | 2015-10-29 | 2017-05-10 | 北京国双科技有限公司 | 搜索结果显示方法及装置 |
| KR101772522B1 (ko) * | 2016-11-22 | 2017-08-31 | (주)소만사 | DLP(Data Loss Prevention) 시스템에서의 보다 정밀한 유출 탐지를 위한 다중 컬럼 키워드 패턴 매칭 장치 및 방법 |
| CN110287379A (zh) * | 2019-06-17 | 2019-09-27 | 中电科大数据研究院有限公司 | 一种基于逻辑树的表格拆分与数据提取方法 |
| CN110377604A (zh) * | 2019-07-23 | 2019-10-25 | 北京小米移动软件有限公司 | 一种提取表格信息的方法、装置及介质 |
| CN111985201A (zh) * | 2020-08-19 | 2020-11-24 | 支付宝(杭州)信息技术有限公司 | 一种数据处理规则生成方法、装置及电子设备 |
| CN112149399A (zh) * | 2020-09-25 | 2020-12-29 | 北京来也网络科技有限公司 | 基于rpa及ai的表格信息抽取方法、装置、设备及介质 |
-
2021
- 2021-08-25 CN CN202110980680.8A patent/CN113673213B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106649319A (zh) * | 2015-10-29 | 2017-05-10 | 北京国双科技有限公司 | 搜索结果显示方法及装置 |
| KR101772522B1 (ko) * | 2016-11-22 | 2017-08-31 | (주)소만사 | DLP(Data Loss Prevention) 시스템에서의 보다 정밀한 유출 탐지를 위한 다중 컬럼 키워드 패턴 매칭 장치 및 방법 |
| CN110287379A (zh) * | 2019-06-17 | 2019-09-27 | 中电科大数据研究院有限公司 | 一种基于逻辑树的表格拆分与数据提取方法 |
| CN110377604A (zh) * | 2019-07-23 | 2019-10-25 | 北京小米移动软件有限公司 | 一种提取表格信息的方法、装置及介质 |
| CN111985201A (zh) * | 2020-08-19 | 2020-11-24 | 支付宝(杭州)信息技术有限公司 | 一种数据处理规则生成方法、装置及电子设备 |
| CN112149399A (zh) * | 2020-09-25 | 2020-12-29 | 北京来也网络科技有限公司 | 基于rpa及ai的表格信息抽取方法、装置、设备及介质 |
Non-Patent Citations (1)
| Title |
|---|
| 王治和: "表格信息抽取引擎的设计与实现", 《计算机科学》, pages 126 - 127 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116911268A (zh) * | 2023-09-11 | 2023-10-20 | 中移(苏州)软件技术有限公司 | 一种表格信息处理方法、装置、处理设备及可读存储介质 |
| CN116911268B (zh) * | 2023-09-11 | 2024-01-26 | 中移(苏州)软件技术有限公司 | 一种表格信息处理方法、装置、处理设备及可读存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113673213B (zh) | 2023-11-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US9043346B2 (en) | Method of providing data included in building information modeling data file, recording medium therefor, system using the method, and method of providing data using building information modeling server | |
| CN110069626B (zh) | 一种目标地址的识别方法、分类模型的训练方法以及设备 | |
| CN106202207B (zh) | 一种基于HBase-ORM的索引及检索系统 | |
| JP6267711B2 (ja) | モデル化された依存関係に基づく、レガシーソフトウェアシステムのモダニゼーション | |
| CN109101474B (zh) | 一种地址聚合的方法、包裹聚合的方法以及设备 | |
| CN109190007B (zh) | 数据分析方法及装置 | |
| US20160275196A1 (en) | Semantic search apparatus and method using mobile terminal | |
| CN102147795A (zh) | 兴趣点检索方法、兴趣点检索装置和导航系统 | |
| CN107622080B (zh) | 一种数据处理方法及设备 | |
| JP6629935B2 (ja) | 文書のカテゴリ分類のためのディープラーニング学習方法およびそのシステム | |
| CN105701083A (zh) | 文本表示方法和装置 | |
| CN111522838A (zh) | 地址相似度计算方法及相关装置 | |
| van Leeuwen et al. | A historical community approach to social homogamy in the past | |
| CN113673213A (zh) | 基于模板的表格信息抽取方法及系统 | |
| CN110609952A (zh) | 数据采集方法、系统和计算机设备 | |
| CN114595302A (zh) | 空间要素的多层级空间关系构建方法、装置、介质及设备 | |
| US20170161358A1 (en) | Categorizing columns in a data table | |
| KR101607516B1 (ko) | Bim 기반 외부 시설물 관리 데이터를 연계하기 위한 시스템 및 그 방법 | |
| CN116796678A (zh) | 一种基于解析式技术的fpga布局方法 | |
| CN104281570A (zh) | 信息处理方法和装置以及机构名规范化方法和设备 | |
| CN101467149A (zh) | 具有可变压缩的自适应索引 | |
| CN114580637A (zh) | 一种基于知识图谱的物联网设备及参数的关联方法 | |
| AU2020203188A1 (en) | Query change system, search system, and program | |
| Wyszomirski | Analysis of the possibility of using key-value store NoSQL databases for IFC data processing in the BIM-GIS integration process | |
| CN112685553A (zh) | 一种在线文档查找替换的方法、装置、设备及介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |