CN114239562A - 文档中程序代码块的识别方法、装置和设备 - Google Patents
文档中程序代码块的识别方法、装置和设备 Download PDFInfo
- Publication number
- CN114239562A CN114239562A CN202111614691.0A CN202111614691A CN114239562A CN 114239562 A CN114239562 A CN 114239562A CN 202111614691 A CN202111614691 A CN 202111614691A CN 114239562 A CN114239562 A CN 114239562A
- Authority
- CN
- China
- Prior art keywords
- annotation
- paragraph
- paragraph text
- text
- identifier
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/10—Text processing
- G06F40/103—Formatting, i.e. changing of presentation of documents
- G06F40/117—Tagging; Marking up; Designating a block; Setting of attributes
-
- 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
- G06F40/169—Annotation, e.g. comment data or footnotes
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明的实施例提供了一种文档中程序代码块的识别方法、装置和设备。所述方法包括将所述目标文档拆分为若干个段落文本;获取一所述段落文本,若段落文本中包含在段落文本起始位置的单行注释标识,则段落文本为单行注释代码块;若段落文本中包含在所述段落文本起始位置的注释起始标识,则依次获取段落文本的下一段落文本,直至得到以注释结束标识结尾的段落文本,则注释起始标识与注释结束标识之间的段落文本为多行注释代码块;当段落文本的起始位置为英文字符时,若段落文本中包含在预设位置的关键词,则段落文本为代码块。以此方式,可以精确的识别文档中的程序代码块,进行单独识别后单独处理,提升了文档检查的准确性和完整性。
Description
技术领域
本发明一般涉及文档识别领域,并且更具体地,涉及一种文档中程序代码块的识别方法、装置和设备。
背景技术
与计算机程序相关的文档中大部分情况下会包含一部分程序代码,比如计算机领域的各类论文中,在用计算机程序对这类包含程序代码的文档进行相应的格式检查时,由于程序代码的格式要求常常与普通文字不同,如果不对程序代码块进行单独检查,则会返回错误的检查结果。因此需要将文档中的程序代码部分单独识别后进行单独的判断处理。现有关于文档中代码相关技术方案,主要集中在如何将代码自动插入到文档中形成技术文档从而降低文档书写的工作量,但是反过来识别文档中的代码块的技术还是空白。
现有文档检查技术在检查包含程序代码的文档时,没有区分正文中文部分和程序代码块部分,这导致程序代码块不能单独要求格式,如果单独要求格式,就会出现检查评判的错误情况,给程序自动化检查文档功能带来明显的缺点。
发明内容
根据本发明的实施例,提供了一种文档中程序代码块的识别方案。本方案可以精确的识别文档中的程序代码块,进行单独识别后单独处理,提升了文档检查的准确性和完整性。
在本发明的第一方面,提供了一种文档中程序代码块的识别方法。该方法包括:
将所述目标文档拆分为若干个段落文本;
获取一所述段落文本,若所述段落文本中包含预设的单行注释数据集中的单行注释标识,且所述单行注释标识在所述段落文本的起始位置,则所述段落文本为单行注释代码块;
若所述段落文本中包含预设的多行注释数据集中的注释起始标识,且所述注释起始标识在所述段落文本的起始位置,则依次获取所述段落文本的下一段落文本,并判断当前段落文本的下一段落文本的结束位置是否为所述注释起始标识对应的注释结束标识,若是,则所述注释起始标识与所述注释结束标识之间的段落文本为多行注释代码块;
当所述段落文本的起始位置为英文字符时,若所述段落文本中包含预设的关键词数据集中的关键词,且所述关键词在预设位置,则所述段落文本为代码块;否则所述段落文本为非代码块。
进一步地,所述将所述目标文档拆分为若干个段落文本,包括:
识别所述目标word文档中的段落换行符,以所述段落换行符作为拆分标识对所述目标word文档进行段落拆分,得到拆分后的段落文本;
若所述拆分后的段落文本中存在未换行的图片或表格,则将所述图片或表二次拆分成独立段落;
若所述拆分后的段落文本中存在字体或字号与上下文中字体或字号不同,则对所述不同的字体或字号形成的文本进行二次拆分,形成独立段落。
进一步地,根据所述段落文本的编程语言类型,从数据库中获取所述编程语言对应的单行注释标识,生成单行注释数据集;
根据所述段落文本的编程语言类型,从数据库中获取所述编程语言对应的多行注释标识,生成多行注释数据集;
根据所述段落文本的编程语言类型,从数据库中获取所述编程语言对应的关键词,生成关键词数据集。
进一步地,若所述段落文本中不包含预设的数据库中单行注释数据集中的单行注释标识,或所述段落文本中包含的单行注释标识在所述段落文本的非起始位置,则判断所述段落文本中是否包含预设的数据库中多行注释数据集中的注释起始标识。
进一步地,若所述段落文本中不包含预设的数据库中多行注释数据集中的注释起始标识,或所述段落文本中包含的注释起始标识在所述段落文本的非起始位置,则判断所述段落文本中是否包含英文字符。
进一步地,所述方法还包括:
若所述注释起始标识与所述注释结束标识之间的段落文本个数大于预设的段落数阈值,和/或
若所述注释起始标识与所述注释结束标识之间的字符数大于预设的字符数阈值,则所述注释起始标识与所述注释结束标识之间的段落文本不为多行注释代码块。
进一步地,若所述段落文本不为单行注释代码块、多行注释代码块,且所述段落文本的起始位置为非英文字符时,所述段落文本为非代码。
在本发明的第二方面,提供了一种文档中程序代码块的识别装置。该装置包括:
拆分模块,用于将所述目标word文档拆分为若干个段落文本;
第一识别模块,用于获取一所述段落文本,若所述段落文本中包含预设的数据库中单行注释数据集中的单行注释标识,且所述单行注释标识在所述段落文本的起始位置,则所述段落文本为单行注释代码块;
第二识别模块,用于判断若所述段落文本中包含预设的数据库中多行注释数据集中的注释起始标识,且所述注释起始标识在所述段落文本的起始位置,则依次获取所述段落文本的下一段落文本,并判断当前段落文本的下一段落文本的结束位置是否为所述注释起始标识对应的注释结束标识,若是,则所述注释起始标识与所述注释结束标识之间的段落文本为多行注释代码块;
第三识别模块,用于当所述段落文本的起始位置为英文字符时,若所述段落文本中包含预设的数据库中关键词数据集中的关键词,且所述关键词在预设位置,则所述段落文本为代码块;否则所述段落文本为非代码块。
在本发明的第三方面,提供了一种电子设备。该电子设备至少一个处理器;以及与所述至少一个处理器通信连接的存储器;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本发明第一方面的方法。
在本发明的第四方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,所述计算机指令用于使所述计算机执行本发明第一方面的方法。
应当理解,发明内容部分中所描述的内容并非旨在限定本发明的实施例的关键或重要特征,亦非用于限制本发明的范围。本发明的其它特征将通过以下的描述变得容易理解。
附图说明
结合附图并参考以下详细说明,本发明各实施例的上述和其他特征、优点及方面将变得更加明显。在附图中,相同或相似的附图标记表示相同或相似的元素,其中:
图1示出了根据本发明的实施例的文档中程序代码块的识别方法的流程图;
图2示出了根据本发明的实施例的文档中程序代码块的识别装置的方框图;
图3示出了能够实施本发明的实施例的示例性电子设备的方框图;
其中,300为电子设备、301为CPU、302为ROM、303为RAM、304为总线、305为I/O接口、306为输入单元、307为输出单元、308为存储单元、309为通信单元。
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。
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。
本发明中,通过程序将文档拆分成以段落区分的块,然后循环判断每一个段落是否为代码,判断依据为预设的程序代码特征库,特征库中存储各种程序语言的关键词,结合英文字符判断,识别出连续的代码块;可以精确的识别文档中的程序代码块,进行单独识别后单独处理,提升了文档检查的准确性和完整性。
图1示出了本发明实施例的文档中程序代码块的识别方法的流程图。
该方法包括:
S101、将所述目标文档拆分为若干个段落文本。
作为本发明的一种实施例,所述目标文档可以为“.doc”或“.docx”等能够通过word软件进行处理的文档。
作为本发明的一种实施例,可以通过Aspose公司的Aspose.word工具组件进行段落拆解,从而获取各个段落文本。每个段落文本之间的首行和尾行不为同一行。
作为本发明的一种实施例,识别所述目标word文档中的段落换行符,以所述段落换行符作为拆分标识对所述目标word文档进行段落拆分,得到拆分后的段落文本;
若所述拆分后的段落文本中存在未换行的图片或表格,则将所述图片或表二次拆分成独立段落;
若所述拆分后的段落文本中存在字体或字号与上下文中字体或字号不同,则对所述不同的字体或字号形成的文本进行二次拆分,形成独立段落。
S102、获取一所述段落文本,若所述段落文本中包含预设的单行注释数据集中的单行注释标识,且所述单行注释标识在所述段落文本的起始位置,则所述段落文本为单行注释代码块。
作为本发明的一种实施例,根据所述段落文本的编程语言类型,从数据库中获取所述编程语言对应的单行注释标识,生成单行注释数据集。例如JAVA中单行注释标识“//”、C++中单行注释标识“//”。
根据所述段落文本的编程语言类型,从数据库中获取所述编程语言对应的多行注释标识,生成多行注释数据集;例如JAVA中多行注释标识“/*,*/”,“/**,*/”;C++中多行注释标识“/*,*/”,“/**,*/”。
根据所述段落文本的编程语言类型,从数据库中获取所述编程语言对应的关键词,生成关键词数据集。例如JAVA中关键词public、private、for。
其中,所述单行注释数据集为单行注释标识的集合;所述多行注释数据集为多行注释标识的集合;所述关键词数据集为各编程语言的代码中关键词的集合。由所述单行注释数据集、多行注释数据集以及关键词数据集组成数据库。所述数据库是一根据代码类别,类型整理存储的数据库表。类别按语言划分;类型分为单行注释代码、多行注释代码和代码关键词;每条注释代码会有一最大文本数。根据该库作为判断是否为代码的依据。
作为本发明的一种实施例,在JAVA中,拆分后的一段落文本以“//”作为起始,则判断该段落文本为代码块,且为单行注释代码块。
通过该实施例,能够首先对段落文本是否为单行注释代码块进行识别,若不为单行注释代码块,再进行后续多行注释代码块的识别,由于单行注释代码块的识别逻辑较为简单,故能够在保证识别准确性的前提下,提升识别效率,节省识别时间。
作为本发明的一种实施例,若所述段落文本中不包含预设的数据库中单行注释数据集中的单行注释标识,或所述段落文本中包含的单行注释标识在所述段落文本的非起始位置,则执行S103,即判断所述段落文本中是否包含预设的数据库中多行注释数据集中的注释起始标识。
S103、若所述段落文本中包含预设的多行注释数据集中的注释起始标识,且所述注释起始标识在所述段落文本的起始位置,则依次获取所述段落文本的下一段落文本,并判断当前段落文本的下一段落文本的结束位置是否为所述注释起始标识对应的注释结束标识,若是,则所述注释起始标识与所述注释结束标识之间的段落文本为多行注释代码块。
作为本发明的一种实施例,在JAVA中,将所述段落文本中的字符串依次与多行注释数据集进行匹配,若匹配出注释起始标识为“/*”,则说明所述段落文本中包含注释起始标识“/*”。进一步地,判断该注释起始标识“/*”是否为所述段落文本的起始位置,若是,则判断所述段落文本的结束位置是否为对应的注释结束标识“*/”;否则继续判断下一段落文本的结束位置是否为注释结束标识“*/”,若不是注释结束标识“*/”,则再继续判断下一段落文本,直至识别出以注释结束标识“*/”作为段落结束的段落文本。将注释起始标识“/*”到注释结束标识“*/”之间的段落文本作为多行注释代码块。
作为本发明的一种实施例,还可以预先设置段落数阈值,所述段落书阈值用于判断注释起始标识与注释结束标识之间的段落文本是否为多行注释代码块,即,计算所述注释起始标识与所述注释结束标识之间的段落文本个数;若所述注释起始标识与所述注释结束标识之间的段落文本个数大于预设的段落数阈值,则所述注释起始标识与所述注释结束标识之间的段落文本不为多行注释代码块。通过上述识别判断,可以利用段落数阈值,将虽然存在注释起始标识和注释结束标识的两个段落文本,但明显不属于多行注释代码内容的情况进行规避。
作为本发明的一种实施例,还可以预先设置字符数阈值,所述字符数阈值用于判断注释起始标识与注释结束标识之间的段落文本是否为多行注释代码块,即,计算所述注释起始标识与所述注释结束标识之间的字符数;若所述注释起始标识与所述注释结束标识之间的字符数大于预设的字符数阈值,则所述注释起始标识与所述注释结束标识之间的段落文本不为多行注释代码块。通过上述识别判断,可以利用字符数阈值,将虽然存在注释起始标识和注释结束标识的两个段落文本,但明显不属于多行注释代码内容的情况进行规避。
作为本发明的一种实施例,还可以预先设置段落数阈值和字符数阈值;计算所述注释起始标识与所述注释结束标识之间的段落文本个数以及字符数;若所述注释起始标识与所述注释结束标识之间的段落文本个数大于预设的段落数阈值,且字符数大于字符数阈值,则所述注释起始标识与所述注释结束标识之间的段落文本不为多行注释代码块。通过上述识别判断,可以同时利用字符数阈值以及段落数阈值,对所述段落文本进行双重判定,使判定结果更加准确。
作为本发明的一种实时例,若所述段落文本中不包含预设的数据库中多行注释数据集中的注释起始标识,或所述段落文本中包含的注释起始标识在所述段落文本的非起始位置,则执行S104,即判断所述段落文本中是否包含英文字符。
S104、当所述段落文本的起始位置为英文字符时,若所述段落文本中包含预设的关键词数据集中的关键词,且所述关键词在预设位置,则所述段落文本为代码块;否则所述段落文本为非代码块。
作为本发明的一种实施例,可以通过三层判断过程,基于关键字识别代码块。
第一层判断,若所述段落文本的起始位置为英文字符,则进行第二层判断;否则所述段落文本为非代码块。例如,所述段落文本的起始位置为中文字符“好”,则该段落文本为非代码块。
第二层判断,若所述段落文本中包含预设的关键词数据集中的关键词,则进行第三层判断;否则该段落文本为非代码块。
第三层判断,若所述关键词在预设位置,则所述段落文本为代码块;否则该段落文本为非代码块。
其中,每个编程语言的关键词都对应有预设位置,例如JAVA中关键词public在开头位置,private在开头位置。
判断一个关键词是否在预设位置,首先判断文本中是否有关键词,如果有匹配的关键词,则查看该关键词在关键词集合中标注的对应位置标识,若为开头标识,则判断该关键词在文本中位置是否从0位置开始。若为任意位置则无需判断,若为结尾位置,则判断该关键词在文本中位置是否以文本长度位置为结束。
根据本发明的实施例,可以精确的识别文档中的程序代码块,进行单独识别后单独处理,提升了文档检查的准确性和完整性。
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可选实施例,所涉及的动作和模块并不一定是本发明所必须的。
以上是关于方法实施例的介绍,以下通过装置实施例,对本发明所述方案进行进一步说明。
如图2所示,装置200包括:
拆分模块210,用于将所述目标word文档拆分为若干个段落文本;
第一识别模块220,用于获取一所述段落文本,若所述段落文本中包含预设的数据库中单行注释数据集中的单行注释标识,且所述单行注释标识在所述段落文本的起始位置,则所述段落文本为单行注释代码块;
第二识别模块230,用于判断若所述段落文本中包含预设的数据库中多行注释数据集中的注释起始标识,且所述注释起始标识在所述段落文本的起始位置,则依次获取所述段落文本的下一段落文本,并判断当前段落文本的下一段落文本的结束位置是否为所述注释起始标识对应的注释结束标识,若是,则所述注释起始标识与所述注释结束标识之间的段落文本为多行注释代码块;
第三识别模块240,用于当所述段落文本的起始位置为英文字符时,若所述段落文本中包含预设的数据库中关键词数据集中的关键词,且所述关键词在预设位置,则所述段落文本为代码块;否则所述段落文本为非代码块。
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,所述描述的模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
本发明的技术方案中,所涉及的用户个人信息的获取,存储和应用等,均符合相关法律法规的规定,且不违背公序良俗。
根据本发明的实施例,本发明还提供了一种电子设备和一种可读存储介质。
图3示出了可以用来实施本发明的实施例的电子设备300的示意性框图。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/或者要求的本发明的实现。
设备300包括计算单元301,其可以根据存储在只读存储器(ROM)302中的计算机程序或者从存储单元308加载到随机访问存储器(RAM)303中的计算机程序,来执行各种适当的动作和处理。在RAM 303中,还可存储设备300操作所需的各种程序和数据。计算单元301、ROM 302以及RAM 303通过总线304彼此相连。输入/输出(I/O)接口305也连接至总线304。
设备300中的多个部件连接至I/O接口305,包括:输入单元306,例如键盘、鼠标等;输出单元307,例如各种类型的显示器、扬声器等;存储单元308,例如磁盘、光盘等;以及通信单元309,例如网卡、调制解调器、无线通信收发机等。通信单元309允许设备300通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元301可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元301的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元301执行上文所描述的各个方法和处理,例如方法S101~S104。例如,在一些实施例中,方法S101~S104可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元308。在一些实施例中,计算机程序的部分或者全部可以经由ROM 302和/或通信单元309而被载入和/或安装到设备300上。当计算机程序加载到RAM 303并由计算单元301执行时,可以执行上文描述的方法S101~S104的一个或多个步骤。备选地,在其他实施例中,计算单元301可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行方法S101~S104。
本文中以上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、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、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。
用于实施本发明的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
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。服务器可以是云服务器,也可以为分布式系统的服务器,或者是结合了区块链的服务器。
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,本发明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,只要能够实现本发明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,并不构成对本发明保护范围的限制。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。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (10)
1.一种文档中程序代码块的识别方法,其特征在于,包括:
将所述目标文档拆分为若干个段落文本;
获取一所述段落文本,若所述段落文本中包含预设的单行注释数据集中的单行注释标识,且所述单行注释标识在所述段落文本的起始位置,则所述段落文本为单行注释代码块;
若所述段落文本中包含预设的多行注释数据集中的注释起始标识,且所述注释起始标识在所述段落文本的起始位置,则依次获取所述段落文本的下一段落文本,并判断当前段落文本的下一段落文本的结束位置是否为所述注释起始标识对应的注释结束标识,若是,则所述注释起始标识与所述注释结束标识之间的段落文本为多行注释代码块;
当所述段落文本的起始位置为英文字符时,若所述段落文本中包含预设的关键词数据集中的关键词,且所述关键词在预设位置,则所述段落文本为代码块;否则所述段落文本为非代码块。
2.根据权利要求1所述的方法,其特征在于,所述将所述目标文档拆分为若干个段落文本,包括:
识别所述目标word文档中的段落换行符,以所述段落换行符作为拆分标识对所述目标word文档进行段落拆分,得到拆分后的段落文本;
若所述拆分后的段落文本中存在未换行的图片或表格,则将所述图片或表二次拆分成独立段落;
若所述拆分后的段落文本中存在字体或字号与上下文中字体或字号不同,则对所述不同的字体或字号形成的文本进行二次拆分,形成独立段落。
3.根据权利要求1所述的方法,其特征在于,根据所述段落文本的编程语言类型,从数据库中获取所述编程语言对应的单行注释标识,生成单行注释数据集;
根据所述段落文本的编程语言类型,从数据库中获取所述编程语言对应的多行注释标识,生成多行注释数据集;
根据所述段落文本的编程语言类型,从数据库中获取所述编程语言对应的关键词,生成关键词数据集。
4.根据权利要求1所述的方法,其特征在于,若所述段落文本中不包含预设的数据库中单行注释数据集中的单行注释标识,或所述段落文本中包含的单行注释标识在所述段落文本的非起始位置,则判断所述段落文本中是否包含预设的数据库中多行注释数据集中的注释起始标识。
5.根据权利要求4所述的方法,其特征在于,若所述段落文本中不包含预设的数据库中多行注释数据集中的注释起始标识,或所述段落文本中包含的注释起始标识在所述段落文本的非起始位置,则判断所述段落文本中是否包含英文字符。
6.根据权利要求1所述的方法,其特征在于,所述方法还包括:
若所述注释起始标识与所述注释结束标识之间的段落文本个数大于预设的段落数阈值,和/或
若所述注释起始标识与所述注释结束标识之间的字符数大于预设的字符数阈值,则所述注释起始标识与所述注释结束标识之间的段落文本不为多行注释代码块。
7.根据权利要求1所述的方法,其特征在于,若所述段落文本不为单行注释代码块、多行注释代码块,且所述段落文本的起始位置为非英文字符时,所述段落文本为非代码。
8.一种文档中程序代码块的识别装置,其特征在于,包括:
拆分模块,用于将所述目标word文档拆分为若干个段落文本;
第一识别模块,用于获取一所述段落文本,若所述段落文本中包含预设的数据库中单行注释数据集中的单行注释标识,且所述单行注释标识在所述段落文本的起始位置,则所述段落文本为单行注释代码块;
第二识别模块,用于判断若所述段落文本中包含预设的数据库中多行注释数据集中的注释起始标识,且所述注释起始标识在所述段落文本的起始位置,则依次获取所述段落文本的下一段落文本,并判断当前段落文本的下一段落文本的结束位置是否为所述注释起始标识对应的注释结束标识,若是,则所述注释起始标识与所述注释结束标识之间的段落文本为多行注释代码块;
第三识别模块,用于当所述段落文本的起始位置为英文字符时,若所述段落文本中包含预设的数据库中关键词数据集中的关键词,且所述关键词在预设位置,则所述段落文本为代码块;否则所述段落文本为非代码块。
9.一种电子设备,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;其特征在于,
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1-7中任一项所述的方法。
10.一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根据权利要求1-7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111614691.0A CN114239562A (zh) | 2021-12-27 | 2021-12-27 | 文档中程序代码块的识别方法、装置和设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111614691.0A CN114239562A (zh) | 2021-12-27 | 2021-12-27 | 文档中程序代码块的识别方法、装置和设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114239562A true CN114239562A (zh) | 2022-03-25 |
Family
ID=80763536
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111614691.0A Pending CN114239562A (zh) | 2021-12-27 | 2021-12-27 | 文档中程序代码块的识别方法、装置和设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114239562A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116340263A (zh) * | 2023-06-01 | 2023-06-27 | 北京无忧创想信息技术有限公司 | 一种基于机器识别的word文档转换方法、装置及存储介质 |
-
2021
- 2021-12-27 CN CN202111614691.0A patent/CN114239562A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116340263A (zh) * | 2023-06-01 | 2023-06-27 | 北京无忧创想信息技术有限公司 | 一种基于机器识别的word文档转换方法、装置及存储介质 |
CN116340263B (zh) * | 2023-06-01 | 2023-08-29 | 北京无忧创想信息技术有限公司 | 一种基于机器识别的word文档转换方法、装置及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111460131A (zh) | 公文摘要提取方法、装置、设备及计算机可读存储介质 | |
CN113836314B (zh) | 知识图谱构建方法、装置、设备以及存储介质 | |
CN114861677B (zh) | 信息抽取方法、装置、电子设备以及存储介质 | |
CN111859093A (zh) | 敏感词处理方法、装置及可读存储介质 | |
CN113657088A (zh) | 接口文档解析方法、装置、电子设备以及存储介质 | |
CN113657395A (zh) | 文本识别方法、视觉特征提取模型的训练方法及装置 | |
CN113836316B (zh) | 三元组数据的处理方法、训练方法、装置、设备及介质 | |
CN111143505A (zh) | 文档处理方法、装置、介质及电子设备 | |
CN114239562A (zh) | 文档中程序代码块的识别方法、装置和设备 | |
CN116484826B (zh) | 一种操作票生成方法、装置、设备及存储介质 | |
CN114880498B (zh) | 事件信息展示方法及装置、设备和介质 | |
CN114461665B (zh) | 用于生成语句转换模型的方法、装置及计算机程序产品 | |
CN114118049B (zh) | 信息获取方法、装置、电子设备及存储介质 | |
CN114220113A (zh) | 一种论文质量检测方法、装置和设备 | |
CN115481599A (zh) | 文档的处理方法、装置、电子设备和存储介质 | |
CN113836462A (zh) | 页面描述文件的生成方法、装置、设备及存储介质 | |
CN113961672A (zh) | 信息标注方法、装置、电子设备和存储介质 | |
CN112101003A (zh) | 语句文本的切分方法、装置、设备和计算机可读存储介质 | |
CN113343636B (zh) | 一种设置标注线宽度的方法、装置、电子设备及存储介质 | |
CN113722642B (zh) | 网页页面的转换方法、装置、电子设备以及存储介质 | |
CN113407890B (zh) | 信息提取方法、装置、电子设备和介质 | |
CN114281981B (zh) | 新闻简报的生成方法、装置和电子设备 | |
CN116069914B (zh) | 训练数据的生成方法、模型训练方法以及装置 | |
CN113360636B (zh) | 一种内容显示方法、装置、设备以及存储介质 | |
CN112861513B (zh) | 文本切分方法、装置、电子设备和存储介质 |
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 |