CN115344718B - 跨区域文档内容识别方法、装置、设备、介质和程序产品 - Google Patents

跨区域文档内容识别方法、装置、设备、介质和程序产品 Download PDF

Info

Publication number
CN115344718B
CN115344718B CN202210820091.8A CN202210820091A CN115344718B CN 115344718 B CN115344718 B CN 115344718B CN 202210820091 A CN202210820091 A CN 202210820091A CN 115344718 B CN115344718 B CN 115344718B
Authority
CN
China
Prior art keywords
document
recognition result
document structure
structure recognition
result
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.)
Active
Application number
CN202210820091.8A
Other languages
English (en)
Other versions
CN115344718A (zh
Inventor
林得苗
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Pai Tech Co ltd
Original Assignee
Pai Tech Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Pai Tech Co ltd filed Critical Pai Tech Co ltd
Priority to CN202210820091.8A priority Critical patent/CN115344718B/zh
Publication of CN115344718A publication Critical patent/CN115344718A/zh
Priority to US18/100,785 priority patent/US20240021004A1/en
Application granted granted Critical
Publication of CN115344718B publication Critical patent/CN115344718B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/40—Document-oriented image-based pattern recognition
    • G06V30/41—Analysis of document content
    • G06V30/416—Extracting the logical structure, e.g. chapters, sections or page numbers; Identifying elements of the document, e.g. authors
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/31—Indexing; Data structures therefor; Storage structures
    • G06F16/316—Indexing structures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/38—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/258—Heading extraction; Automatic titling; Numbering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/40—Document-oriented image-based pattern recognition
    • G06V30/41—Analysis of document content
    • G06V30/413—Classification of content, e.g. text, photographs or tables
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/40—Document-oriented image-based pattern recognition
    • G06V30/42—Document-oriented image-based pattern recognition based on the type of document
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/94—Hardware or software architectures specially adapted for image or video understanding
    • G06V10/945—User interactive design; Environments; Toolboxes
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Abstract

本公开的实施例公开了跨区域文档内容识别方法、装置、设备、介质和程序产品。该方法的一具体实施方式包括：对无标签文档进行文档结构识别处理；对于文档页码序列中的每两个相邻的文档页码：选择与第一文档页码对应、且满足预设末尾区域条件的文档结构识别结果作为末尾文档结构识别结果；选择与第二文档页码对应、且满足预设首部区域条件的文档结构识别结果作为首部文档结构识别结果；对末尾文档结构识别结果和首部文档结构识别结果进行合并检测；响应于末尾文档结构识别结果和首部文档结构识别结果可合并，对末尾文档结构识别结果和首部文档结构识别结果进行合并处理。该实施方式可以快速对不同页面中连续的文档内容进行统一操作。

Description

跨区域文档内容识别方法、装置、设备、介质和程序产品
技术领域
本公开的实施例涉及文本识别技术领域，具体涉及跨区域文档内容识别方法、装置、设备、介质和程序产品。
背景技术
无标签文档可以便于阅读，且在不同设备中的显示页面效果相同。目前，在对无标签文档的文档内容进行识别时，通常采用的方式为：仅针对单页中单独文档块的文档内容进行识别。
然而，发明人发现，当采用上述方式对无标签文档的文档内容进行识别时，经常会存在如下技术问题：
第一，无法识别不同页面中连续的文档内容，用户需分别对不同页面中连续的文档内容进行操作，进而导致无法快速对不同页面中连续的文档内容进行统一操作。
第二，无法识别不同文档栏中连续的文档内容，用户需分别对不同文档栏中连续的文档内容进行操作，进而导致无法快速对不同文档栏中连续的文档内容进行统一操作。
该背景技术部分中所公开的以上信息仅用于增强对本发明构思的背景的理解，并因此，其可包含并不形成本国的本领域普通技术人员已知的现有技术的信息。
发明内容
本公开的内容部分用于以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。本公开的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。
本公开的一些实施例提出了应用于无标签文档的跨区域文档内容识别方法、装置、电子设备、计算机可读介质和计算机程序产品，来解决以上背景技术部分提到的技术问题中的一项或多项。
第一方面，本公开的一些实施例提供了一种跨区域文档内容识别方法，应用于无标签文档，该方法包括：对上述无标签文档进行文档结构识别处理，得到文档结构识别结果集合，其中，上述文档结构识别结果集合中的文档结构识别结果对应有文档页码；对于上述无标签文档对应的文档页码序列中的每两个相邻的文档页码，执行以下步骤：将上述两个相邻的文档页码中的第一个文档页码确定为第一文档页码，以及将上述两个相邻的文档页码中的第二个文档页码确定为第二文档页码；从上述文档结构识别结果集合中选择与上述第一文档页码对应、且满足预设末尾区域条件的文档结构识别结果作为末尾文档结构识别结果；从上述文档结构识别结果集合中选择与上述第二文档页码对应、且满足预设首部区域条件的文档结构识别结果作为首部文档结构识别结果；对上述末尾文档结构识别结果和上述首部文档结构识别结果进行合并检测，得到合并检测结果，其中，上述合并检测结果表征上述末尾文档结构识别结果和上述首部文档结构识别结果是否为可合并的文档结构识别结果；响应于确定上述合并检测结果表征上述末尾文档结构识别结果和上述首部文档结构识别结果为可合并的文档结构识别结果，对上述文档结构识别结果集合包括的上述末尾文档结构识别结果和上述首部文档结构识别结果进行合并处理，以对文档结构识别结果集合进行更新。
第二方面，本公开的一些实施例提供了一种跨区域文档内容识别装置，应用于无标签文档，装置包括：识别单元，被配置成对上述无标签文档进行文档结构识别处理，得到文档结构识别结果集合，其中，上述文档结构识别结果集合中的文档结构识别结果对应有文档页码；执行单元，被配置成对于上述无标签文档对应的文档页码序列中的每两个相邻的文档页码，执行以下步骤：将上述两个相邻的文档页码中的第一个文档页码确定为第一文档页码，以及将上述两个相邻的文档页码中的第二个文档页码确定为第二文档页码；从上述文档结构识别结果集合中选择与上述第一文档页码对应、且满足预设末尾区域条件的文档结构识别结果作为末尾文档结构识别结果；从上述文档结构识别结果集合中选择与上述第二文档页码对应、且满足预设首部区域条件的文档结构识别结果作为首部文档结构识别结果；对上述末尾文档结构识别结果和上述首部文档结构识别结果进行合并检测，得到合并检测结果，其中，上述合并检测结果表征上述末尾文档结构识别结果和上述首部文档结构识别结果是否为可合并的文档结构识别结果；响应于确定上述合并检测结果表征上述末尾文档结构识别结果和上述首部文档结构识别结果为可合并的文档结构识别结果，对上述文档结构识别结果集合包括的上述末尾文档结构识别结果和上述首部文档结构识别结果进行合并处理，以对文档结构识别结果集合进行更新。
第三方面，本公开的一些实施例提供了一种电子设备，包括：一个或多个处理器；存储装置，其上存储有一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现上述第一方面任一实现方式所描述的方法。
第四方面，本公开的一些实施例提供了一种计算机可读介质，其上存储有计算机程序，其中，程序被处理器执行时实现上述第一方面任一实现方式所描述的方法。
第五方面，本公开的一些实施例提供了一种计算机程序产品，包括计算机程序，计算机程序在被处理器执行时实现上述第一方面任一实现方式所描述的方法。
本公开的上述各个实施例具有如下有益效果：通过本公开的一些实施例的跨区域文档内容识别方法，可以快速对不同页面中连续的文档内容进行统一操作。具体来说，造成无法快速对不同页面中连续的文档内容进行统一操作的原因在于：无法识别不同页面中连续的文档内容，用户需分别对不同页面中连续的文档内容进行操作，进而导致无法快速对不同页面中连续的文档内容进行统一操作。基于此，本公开的一些实施例的跨区域文档内容识别方法，首先，对上述无标签文档进行文档结构识别处理，得到文档结构识别结果集合。其中，上述文档结构识别结果集合中的文档结构识别结果对应有文档页码。由此，可以在先识别出无标签文档的文档结构识别结果。然后，对于上述无标签文档对应的文档页码序列中的每两个相邻的文档页码，执行以下步骤：第一步，将上述两个相邻的文档页码中的第一个文档页码确定为第一文档页码，以及将上述两个相邻的文档页码中的第二个文档页码确定为第二文档页码。第二步，从上述文档结构识别结果集合中选择与上述第一文档页码对应、且满足预设末尾区域条件的文档结构识别结果作为末尾文档结构识别结果。第三步，从上述文档结构识别结果集合中选择与上述第二文档页码对应、且满足预设首部区域条件的文档结构识别结果作为首部文档结构识别结果。第四步，对上述末尾文档结构识别结果和上述首部文档结构识别结果进行合并检测，得到合并检测结果。其中，上述合并检测结果表征上述末尾文档结构识别结果和上述首部文档结构识别结果是否为可合并的文档结构识别结果。由此，可以确定相邻两页中第一页末尾的文档内容和第二页初始的文档内容是否连续。第五步，响应于确定上述合并检测结果表征上述末尾文档结构识别结果和上述首部文档结构识别结果为可合并的文档结构识别结果，对上述文档结构识别结果集合包括的上述末尾文档结构识别结果和上述首部文档结构识别结果进行合并处理，以对文档结构识别结果集合进行更新。由此，可以确定相邻两页中第一页末尾的文档内容和第二页初始的文档内容连续时，将第一页末尾的文档内容的文档结构识别结果和第二页初始的文档内容的文档结构识别结果合并。也因为可以对不同页面中连续的文档内容文档结构识别结果合并，从而可以使得不同页面中连续的文档内容的文档结构识别结果之间具有关联关系，进而可以对不同页面中连续的文档内容进行统一操作，无需用户分别对不同页面中连续的文档内容进行操作。由此，可以快速对不同页面中连续的文档内容进行统一操作。
附图说明
结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，元件和元素不一定按照比例绘制。
图1是根据本公开的跨区域文档内容识别方法的一些实施例的流程图；
图2是根据本公开的跨区域文档内容识别装置的一些实施例的结构示意图；
图3是适于用来实现本公开的一些实施例的电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例。相反，提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。
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。在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。
需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。
下面将参考附图并结合实施例来详细说明本公开。
图1示出了根据本公开的跨区域文档内容识别方法的一些实施例的流程100。该跨区域文档内容识别方法，应用于无标签文档，包括以下步骤：
步骤101，对无标签文档进行文档结构识别处理，得到文档结构识别结果集合。
在一些实施例中，跨区域文档内容识别方法的执行主体(例如计算设备)可以对上述无标签文档进行文档结构识别处理，得到文档结构识别结果集合。其中，上述无标签文档可以为无结构化标签标识文档结构的文档。例如，上述无标签文档可以为但不限于PDF(Portable Document Format，可携带文档格式)文档。上述文档结构识别结果可以为对文档内容进行文档结构识别后得到的识别结果。上述文档结构识别结果可以包括但不限于以下中的至少一项：文本内容，图像，表格。上述文档结构识别结果还可以包括但不限于文本类型。文本内容可以包括所识别的文本。文本类型可以为文档内容的类型。例如，文本类型可以包括但不限于：文本类，图表类，图像类，表格类。实践中，上述执行主体可以通过目标检测的方式对上述无标签文档进行文档结构识别，得到文档结构识别结果集合。上述文档结构识别结果集合中的每个文档结构识别结果对应上述无标签文档的一个文档块。文档块可以为上述无标签文档的无标签文档页面中独立的一部分文档内容。例如，文档块可以为一段文字或一张图像。无标签文档页面可以为上述无标签文档的一张页面。上述文档结构识别结果集合中的文档结构识别结果对应有文档页码。文档页码为无标签文档页面在上述无标签文档中的页码。
实践中，上述执行主体还可以将对应页眉的文档结构识别结果和对应页脚的文档结构识别结果从上述文档结构识别结果集合中删除，以对文档结构识别结果集合进行更新。
需要说明的是，上述计算设备可以是硬件，也可以是软件。当计算设备为硬件时，可以实现成多个服务器或终端设备组成的分布式集群，也可以实现成单个服务器或单个终端设备。当计算设备体现为软件时，可以安装在上述所列举的硬件设备中。其可以实现成例如用来提供分布式服务的多个软件或软件模块，也可以实现成单个软件或软件模块。在此不做具体限定。
应该理解，计算设备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计算设备。
步骤102，对于无标签文档对应的文档页码序列中的每两个相邻的文档页码，执行以下步骤：
步骤1021，将两个相邻的文档页码中的第一个文档页码确定为第一文档页码，以及将两个相邻的文档页码中的第二个文档页码确定为第二文档页码。
在一些实施例中，上述执行主体可以将上述两个相邻的文档页码中的第一个文档页码确定为第一文档页码，以及将上述两个相邻的文档页码中的第二个文档页码确定为第二文档页码。其中，上述文档页码序列可以为由上述无标签文档的各个无标签文档页面的页码依次组成的序列。由此，可以通过第一文档页码和第二文档页码对两个相邻的文档页码进行区分。
步骤1022，从文档结构识别结果集合中选择与第一文档页码对应、且满足预设末尾区域条件的文档结构识别结果作为末尾文档结构识别结果。
在一些实施例中，上述执行主体可以从上述文档结构识别结果集合中选择与上述第一文档页码对应、且满足预设末尾区域条件的文档结构识别结果作为末尾文档结构识别结果。其中，上述预设末尾区域条件可以为文档结构识别结果对应的文档块的位置在无标签文档页面的底部位置。这里，位置可以以文档坐标或多个文档坐标表示。对于底部位置的文档坐标的限定，不作限定。例如，文档块的位置可以以文档块的右下角文档坐标表示。底部位置可以以底部四边形区域的四个顶点表示。上述预设末尾区域条件可以为文档结构识别结果对应的文档块的位置在无标签文档页面的底部四边形区域内。实践中，上述执行主体可以从上述文档结构识别结果集合中选择对应的文档页码与上述第一文档页码相同、且满足上述预设末尾区域条件的文档结构识别结果作为末尾文档结构识别结果。
可选地，上述无标签文档可以为分栏文档。分栏文档可以为分为至少两栏显示的文档。例如，上述无标签文档的栏数可以为2。此时，上述无标签文档可以为两栏文档。两栏文档包括第一栏和第二栏。
在一些实施例的一些可选的实现方式中，上述执行主体可以从上述文档结构识别结果集合中选择与上述第一文档页码对应、且满足上述预设末尾区域条件和预设末栏条件的文档结构识别结果作为末尾文档结构识别结果。其中，上述预设末栏条件可以为文档结构识别结果对应的分栏为第二栏。由此，可以在无标签文档为两栏文档时，将第二栏末尾处的文档结构识别结果确定为末尾文档结构识别结果。
步骤1023，从文档结构识别结果集合中选择与第二文档页码对应、且满足预设首部区域条件的文档结构识别结果作为首部文档结构识别结果。
在一些实施例中，上述执行主体可以从上述文档结构识别结果集合中选择与上述第二文档页码对应、且满足预设首部区域条件的文档结构识别结果作为首部文档结构识别结果。其中，上述预设首部区域条件可以为文档结构识别结果对应的文档块的位置在无标签文档页面的首部位置。这里，位置可以以文档坐标或多个文档坐标表示。对于首部位置的文档坐标的限定，不作限定。例如，文档块的位置可以以文档块的右下角文档坐标表示。首部位置可以以首部四边形区域的四个顶点表示。上述预设首部区域条件可以为文档结构识别结果对应的文档块的位置在无标签文档页面的首部四边形区域内。实践中，上述执行主体可以从上述文档结构识别结果集合中选择对应的文档页码与上述第二文档页码相同、且满足上述预设首部区域条件的文档结构识别结果作为首部文档结构识别结果。
在一些实施例的一些可选的实现方式中，上述执行主体可以从上述文档结构识别结果集合中选择与上述第二文档页码对应、且满足上述预设首部区域条件和预设首栏条件的文档结构识别结果作为首部文档结构识别结果。其中，上述预设首栏条件可以为文档结构识别结果对应的分栏为第一栏。由此，可以在无标签文档为两栏文档时，将第一栏首部位置处的文档结构识别结果确定为首部文档结构识别结果。
步骤1024，对末尾文档结构识别结果和首部文档结构识别结果进行合并检测，得到合并检测结果。
在一些实施例中，上述执行主体可以对上述末尾文档结构识别结果和上述首部文档结构识别结果进行合并检测，得到合并检测结果。其中，上述合并检测结果可以表征上述末尾文档结构识别结果和上述首部文档结构识别结果是否为可合并的文档结构识别结果。实践中，首先，上述执行主体可以将上述末尾文档结构识别结果的文档类型确定为末尾文档类型。然后，可以将上述首部文档结构识别结果的文档类型确定为首部文档类型。之后，可以根据上述末尾文档类型和上述首部文档类型，对上述末尾文档结构识别结果和上述首部文档结构识别结果进行合并检测，得到合并检测结果。
可选地，上述执行主体可以通过以下步骤根据上述末尾文档类型和上述首部文档类型，对上述末尾文档结构识别结果和上述首部文档结构识别结果进行合并检测，得到合并检测结果：
第一步，响应于确定上述末尾文档类型和上述首部文档类型均为文本类，确定上述末尾文档结构识别结果是否包含缩进文本行，以及确定上述首部文档结构识别结果是否包含缩进文本行。其中，缩进文本行可以为有缩进的行，即段落首行。
第二步，响应于确定上述末尾文档结构识别结果包含缩进文本行，且上述首部文档结构识别结果不包含缩进文本行，生成表征上述末尾文档结构识别结果和上述首部文档结构识别结果为可合并的文档结构识别结果的合并检测结果。这里，表征上述末尾文档结构识别结果和上述首部文档结构识别结果为可合并的文档结构识别结果的合并检测结果，可以以任意形式表示。例如，表征上述末尾文档结构识别结果和上述首部文档结构识别结果为可合并的文档结构识别结果的合并检测结果可以为“Join”。由此，可以对分两页显示的段落进行识别。
可选地，上述执行主体可以通过以下步骤根据上述末尾文档类型和上述首部文档类型，对上述末尾文档结构识别结果和上述首部文档结构识别结果进行合并检测，得到合并检测结果：
第一步，响应于确定上述末尾文档类型和上述首部文档类型均为图像类，确定上述末尾文档结构识别结果和上述首部文档结构识别结果是否对应同一图像。实践中，上述执行主体可以从上述末尾文档结构识别结果包括的图像中截取底部区域的图像作为末尾图像。其中，上述底部区域可以为从图像底部向上预设高度的区域。上述底部区域的宽度可以为上述末尾文档结构识别结果包括的图像的宽度。这里，对预设高度的具体设定，不作限定。然后，可以从上述首部文档结构识别结果包括的图像中截取首部区域的图像作为首部图像。其中，上述首部区域可以为从图像顶部向下上述预设高度的区域。上述首部区域的宽度可以为上述首部文档结构识别结果包括的图像的宽度。之后，可以确定上述末尾图像与上述首部图像的图像相似度。具体地，上述执行主体可以通过图像相似度算法确定上述末尾图像与上述首部图像的图像相似度。图像相似度算法可以包括但不限于以下中的至少一项：余弦相似度算法、哈希算法、直方图算法、结构相似度度量算法。最后，可以响应于确定上述图像相似度大于预设阈值，确定上述末尾文档结构识别结果和上述首部文档结构识别结果对应同一图像。这里，对于预设阈值的具体设定，不作限定。上述末尾文档结构识别结果和上述首部文档结构识别结果对应同一图像可以表征：末尾文档结构识别结果包括的图像与上述首部文档结构识别结果包括的图像是从同一张图像拆分的两张图像。
第二步，响应于确定上述末尾文档结构识别结果和上述首部文档结构识别结果对应同一图像，生成表征上述末尾文档结构识别结果和上述首部文档结构识别结果为可合并的文档结构识别结果的合并检测结果。由此，可以对分两页显示的图像进行识别。
可选地，上述执行主体可以通过以下步骤根据上述末尾文档类型和上述首部文档类型，对上述末尾文档结构识别结果和上述首部文档结构识别结果进行合并检测，得到合并检测结果：
第一步，响应于确定上述末尾文档类型和上述首部文档类型均为表格类，确定上述末尾文档结构识别结果和上述首部文档结构识别结果是否对应同一表格。实践中，上述执行主体可以响应于确定上述末尾文档结构识别结果包括的表格中包括表头，且上述首部文档结构识别结果包括的表格中不包括表头，确定上述末尾文档结构识别结果和上述首部文档结构识别结果对应同一表格。
第二步，响应于确定上述末尾文档结构识别结果和上述首部文档结构识别结果对应同一表格，生成表征上述末尾文档结构识别结果和上述首部文档结构识别结果为可合并的文档结构识别结果的合并检测结果。由此，可以对分两页显示的表格进行识别。
可选地，上述执行主体可以响应于确定上述末尾文档类型和上述首部文档类型相异，生成表征上述末尾文档结构识别结果和上述首部文档结构识别结果为不可合并的文档结构识别结果的合并检测结果。这里，表征上述末尾文档结构识别结果和上述首部文档结构识别结果为不可合并的文档结构识别结果的合并检测结果，可以以任意形式表示。例如，表征上述末尾文档结构识别结果和上述首部文档结构识别结果为不可合并的文档结构识别结果的合并检测结果可以为“NoJoin”。由此，可以在上述末尾文档类型和上述首部文档类型相异时，直接确定末尾文档结构识别结果和首部文档结构识别结果不可合并。
步骤1025，响应于确定合并检测结果表征末尾文档结构识别结果和首部文档结构识别结果为可合并的文档结构识别结果，对文档结构识别结果集合包括的末尾文档结构识别结果和首部文档结构识别结果进行合并处理，以对文档结构识别结果集合进行更新。
在一些实施例中，上述执行主体可以响应于确定上述合并检测结果表征上述末尾文档结构识别结果和上述首部文档结构识别结果为可合并的文档结构识别结果，对上述文档结构识别结果集合包括的上述末尾文档结构识别结果和上述首部文档结构识别结果进行合并处理，以对文档结构识别结果集合进行更新。实践中，上述执行主体可以将上述文档结构识别结果集合包括的上述末尾文档结构识别结果和上述首部文档结构识别结果进行拼接，以将拼接结果作为文档结构识别结果。上述拼接的方式可以为组成列表的方式。拼接后即实现对文档结构识别结果集合进行更新。
可选地，上述执行主体可以响应于检测到作用于上述无标签文档的文档界面中显示的文档内容的点选操作，且上述文档内容对应的文档结构识别结果包括末尾文档结构识别结果和首部文档结构识别结果，确定上述文档内容的分页文档内容。其中，上述文档界面可以为用于显示上述无标签文档的图形化用户界面。上述点选操作可以为针对所显示的文档内容的选择操作。例如，作用于整段文档内容或整个表格的点选操作可以为三次点击操作。作用于整张图像的点选操作可以为单击操作。作用于单个词语的点选操作可以为双击操作。作用于整个句子的点选操作可以为按下alt键并进行单击的操作。
实践中，响应于确定上述点选操作为作用于整段文档内容或整个表格或整张图像的点选操作，可以将上述文档内容对应的文档结构识别结果包括的首部文档结构识别结果确定为分页文档内容。
实践中，响应于确定上述点选操作为作用于单个词语的点选操作，可以通过以下步骤确定上述文档内容的分页文档内容：
第一步，确定上述点选操作的文档位置坐标。上述文档位置坐标可以为上述点击操作在上述无标签文档中的位置的坐标。上述文档位置坐标可以包括横坐标和纵坐标。例如，上述文档位置坐标可以为PDF坐标。
第二步，从上述文档内容对应的文档结构识别结果包括的末尾文档结构识别结果中提取上述文档位置坐标前第一预设数目个字符至末尾字符的字符串作为第一末尾文本。末尾字符可以为末尾文档结构识别结果包括的最后一个字符。
第三步，从上述文档内容对应的文档结构识别结果包括的首位文档结构识别结果中提取前第二预设数目个字符作为首位文本。这里，对于第一预设数目和第二预设数目的具体设定，不作限定。
第四步，将上述第一末尾文本和上述首位文本组合为组合文本。这里组合的方式可以为字符拼接。
第五步，对上述组合文本进行分词处理，得到分词集合。实践中，上述执行主体可以采用分词算法对上述组合文本进行分词处理，得到分词集合。例如，上述分词算法可以为机械分词算法、基于隐马尔可夫模型的分词算法或基于条件随机场的分词算法。
第六步，将上述分词集合中每个分词的首个字符的字符位置坐标确定为上述分词的分词坐标。这里，字符位置坐标可以为字符包围框的中心坐标或左上角坐标。
第七步，从上述分词集合中选择对应的分词坐标与上述文档位置坐标距离最近的分词作为目标分词。
第八步，响应于确定上述首位文本的前第三预设数目个字符串中包含与上述目标分词中的字符相同的字符，将上述首位文本的前第三预设数目个字符串中包含的与上述目标分词中的字符相同的各个字符确定为分页文档内容。第三预设数目小于上述第二预设数目。
实践中，响应于确定上述点选操作为作用于整个句子的点选操作，可以通过以下步骤确定上述文档内容的分页文档内容：
第一步，确定上述点选操作的文档位置坐标。
第二步，从上述文档内容对应的文档结构识别结果包括的末尾文档结构识别结果中提取目标字符至末尾字符的字符串作为第二末尾文本。目标字符可以为上述文档位置坐标前的第一个句尾字符后的第一个字符。句尾字符可以为表征句子结束的字符。例如，句尾字符可以为“。”。
第三步，响应于确定上述第二末尾文本不包含句尾字符，从上述文档内容对应的文档结构识别结果包括的首位文档结构识别结果中提取目标句尾字符前的各个字符作为分页文档内容。目标句尾字符可以为首位文档结构识别结果包括的第一个句尾字符。
然后，可以对上述文档内容和上述分页文档内容进行突出显示处理。
实践中，上述执行主体可以响应于确定上述点选操作为作用于整段文档内容或整个表格或整张图像的点选操作，对上述文档内容进行突出显示处理以及对上述分页文档内容进行突出显示处理。其中，突出显示处理可以为高亮显示处理。
实践中，上述执行主体可以响应于确定上述点选操作为作用于单个词语的点选操作，将上述第一末尾文本中上述目标分词中的第一个字符至末尾字符的文本确定为上页文档内容。然后，可以对上述上页文档内容进行突出显示处理以及对上述分页文档内容进行突出显示处理。
实践中，上述执行主体可以响应于确定上述点选操作为作用于整个句子的点选操作，将上述第二末尾文本确定为上页文档内容。然后，可以对上述上页文档内容进行突出显示处理以及对上述分页文档内容进行突出显示处理。由此，可以在用户点选分页显示的文档内容时，对分页显示的内容进行突出显示。
可选地，首先，上述执行主体可以响应于确定上述无标签文档的文档界面中显示了至少两个无标签文档页面，确定上述至少两个无标签文档页面中每个无标签文档页面的文档页码，得到文档页码集合。由此，可以确定当前显示的各个页面的页面。
然后，可以确定所更新的文档结构识别结果集合中是否存在满足预设合并条件的文档结构识别结果。其中，上述预设合并条件可以为文档结构识别结果对应的文档页码为上述文档页码集合中的文档页码、且文档结构识别结果包括末尾文档结构识别结果和首部文档结构识别结果。由此，可以通过预设合并条件确定当前显示的文档界面中是否存在分页显示的文档内容。
最后，可以响应于确定所更新的文档结构识别结果集合中存在满足上述预设合并条件的文档结构识别结果，对于满足上述预设合并条件的每个文档结构识别结果，在对应上述文档结构识别结果的两个无标签文档页面中对上述文档结构识别结果进行合并渲染，使得上述文档结构识别结果包括的末尾文档结构识别结果和首部文档结构识别结果呈现合并显示效果。其中，上述合并渲染可以为以同样的显示方式渲染。例如，合并渲染可以为显示同样颜色的包围框。由此，可以在当前显示的文档界面中存在分页显示的文档内容时，对分页显示的文档内容进行合并显示。
可选地，上述文档结构识别结果集合中的文档结构识别结果还对应有文档栏码。对于上述无标签文档的每个无标签文档页面，上述执行主体可以执行以下步骤：
第一步，从上述文档结构识别结果集合中选择对应的文档栏码为第一栏码、且满足上述预设末尾区域条件的文档结构识别结果作为第一栏末尾文档结构识别结果。其中，上述第一栏码可以为第一栏。由此，可以将第一栏末尾处的文档结构识别结果确定为第一栏末尾文档结构识别结果。
第二步，从上述文档结构识别结果集合中选择对应的文档栏码为第二栏码、且满足上述预设首部区域条件的文档结构识别结果作为第二栏首部文档结构识别结果。其中，上述第二栏码可以为第二栏。由此，可以将第二栏首部位置处的文档结构识别结果确定为第二栏首部文档结构识别结果。
第三步，对上述第一栏末尾文档结构识别结果和上述第二栏首部文档结构识别结果进行合并检测，得到分栏合并检测结果。其中，上述分栏合并检测结果表征上述第一栏末尾文档结构识别结果和上述第二栏首部文档结构识别结果是否为可合并的文档结构识别结果。这里，上述执行主体进行合并检测的方式可参考图1对应的那些实施例中的步骤1024，在此不再赘述。
第四步，响应于确定上述分栏合并检测结果表征上述第一栏末尾文档结构识别结果和上述第二栏首部文档结构识别结果为可合并的文档结构识别结果，对上述文档结构识别结果集合包括的上述第一栏末尾文档结构识别结果和上述第二栏首部文档结构识别结果进行合并处理，以对文档结构识别结果集合进行更新。这里，上述执行主体进行合并处理的方式可参考图1对应的那些实施例中的步骤1025，在此不再赘述。
可选地，上述执行主体可以从所更新的文档结构识别结果集合中提取对应目标无标签文档页面的文档结构识别结果作为页面文档结构识别结果，得到页面文档结构识别结果集合。其中，上述目标无标签文档页面为上述无标签文档的文档界面中显示的无标签文档页面。可以理解为，上述目标无标签文档页面为当前显示的无标签文档页面。
然后，可以确定上述页面文档结构识别结果集合中是否存在满足预设分栏合并条件的页面文档结构识别结果。其中，上述预设分栏合并条件可以为页面文档结构识别结果包括第一栏末尾文档结构识别结果和第二栏首部文档结构识别结果。
之后，可以响应于确定上述页面文档结构识别结果集合中存在满足上述预设分栏合并条件的页面文档结构识别结果，对于满足上述预设分栏合并条件的每个页面文档结构识别结果，在对应上述页面文档结构识别结果的两个分栏页面模块中对上述页面文档结构识别结果进行合并渲染，使得上述页面文档结构识别结果包括的第一栏末尾文档结构识别结果和第二栏首部文档结构识别结果呈现合并显示效果。这里，合并渲染可以为以同样的显示方式渲染。例如，合并渲染可以为显示同样颜色的包围框。由此，可以在当前显示的文档界面中存在分栏显示的文档内容时，对分栏显示的文档内容进行合并显示。
可以理解的是，当无标签文档为大于两栏的分栏文档时，针对每两个相邻的分栏文档页面，可以采用针对两栏文档的方式进行跨栏的文档内容识别。
上述第一步-第四步及对页面文档结构识别结果进行合并渲染的相关内容作为本公开的实施例的一个发明点，解决了背景技术提及的技术问题二“无法识别不同文档栏中连续的文档内容，用户需分别对不同文档栏中连续的文档内容进行操作，进而导致无法快速对不同文档栏中连续的文档内容进行统一操作”。导致无法快速对不同文档栏中连续的文档内容进行统一操作的因素往往如下：无法识别不同文档栏中连续的文档内容，用户需分别对不同文档栏中连续的文档内容进行操作。如果解决了上述因素，就能达到快速对不同文档栏中连续的文档内容进行统一操作的效果。为了达到这一效果，本公开将第一栏末尾处的文档结构识别结果确定为第一栏末尾文档结构识别结果，将第二栏首部位置处的文档结构识别结果确定为第二栏首部文档结构识别结果。之后，对上述第一栏末尾文档结构识别结果和上述第二栏首部文档结构识别结果进行合并检测。其次，响应于确定上述分栏合并检测结果表征上述第一栏末尾文档结构识别结果和上述第二栏首部文档结构识别结果为可合并的文档结构识别结果，对上述文档结构识别结果集合包括的上述第一栏末尾文档结构识别结果和上述第二栏首部文档结构识别结果进行合并处理，以对文档结构识别结果集合进行更新。由此，文档结构识别结果集合可以包括分栏显示的文档内容间的关联关系。进而可以在当前显示的文档界面中存在分栏显示的文档内容时，对分栏显示的文档内容进行合并显示。由此，可以快速对不同文档栏中连续的文档内容进行统一操作。
可以理解的是，本公开的上述各个实施例中的跨区域文档内容识别方法可以是指跨页的文档内容识别方法和跨栏的文档内容识别方法。
本公开的上述各个实施例具有如下有益效果：通过本公开的一些实施例的跨区域文档内容识别方法，可以快速对不同页面中连续的文档内容进行统一操作。具体来说，造成无法快速对不同页面中连续的文档内容进行统一操作的原因在于：无法识别不同页面中连续的文档内容，用户需分别对不同页面中连续的文档内容进行操作，进而导致无法快速对不同页面中连续的文档内容进行统一操作。基于此，本公开的一些实施例的跨区域文档内容识别方法，首先，对上述无标签文档进行文档结构识别处理，得到文档结构识别结果集合。其中，上述文档结构识别结果集合中的文档结构识别结果对应有文档页码。由此，可以在先识别出无标签文档的文档结构识别结果。然后，对于上述无标签文档对应的文档页码序列中的每两个相邻的文档页码，执行以下步骤：第一步，将上述两个相邻的文档页码中的第一个文档页码确定为第一文档页码，以及将上述两个相邻的文档页码中的第二个文档页码确定为第二文档页码。第二步，从上述文档结构识别结果集合中选择与上述第一文档页码对应、且满足预设末尾区域条件的文档结构识别结果作为末尾文档结构识别结果。第三步，从上述文档结构识别结果集合中选择与上述第二文档页码对应、且满足预设首部区域条件的文档结构识别结果作为首部文档结构识别结果。第四步，对上述末尾文档结构识别结果和上述首部文档结构识别结果进行合并检测，得到合并检测结果。其中，上述合并检测结果表征上述末尾文档结构识别结果和上述首部文档结构识别结果是否为可合并的文档结构识别结果。由此，可以确定相邻两页中第一页末尾的文档内容和第二页初始的文档内容是否连续。第五步，响应于确定上述合并检测结果表征上述末尾文档结构识别结果和上述首部文档结构识别结果为可合并的文档结构识别结果，对上述文档结构识别结果集合包括的上述末尾文档结构识别结果和上述首部文档结构识别结果进行合并处理，以对文档结构识别结果集合进行更新。由此，可以确定相邻两页中第一页末尾的文档内容和第二页初始的文档内容连续时，将第一页末尾的文档内容的文档结构识别结果和第二页初始的文档内容的文档结构识别结果合并。也因为可以对不同页面中连续的文档内容文档结构识别结果合并，从而可以使得不同页面中连续的文档内容的文档结构识别结果之间具有关联关系，进而可以对不同页面中连续的文档内容进行统一操作，无需用户分别对不同页面中连续的文档内容进行操作。由此，可以快速对不同页面中连续的文档内容进行统一操作。
进一步参考图2，作为对上述各图所示方法的实现，本公开提供了一种跨区域文档内容识别装置的一些实施例，应用于无标签文档，这些装置实施例与图1所示的那些方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图2所示，一些实施例的跨区域文档内容识别装置200包括：识别单元201和执行单元202。其中，识别单元201被配置成对上述无标签文档进行文档结构识别处理，得到文档结构识别结果集合，其中，上述文档结构识别结果集合中的文档结构识别结果对应有文档页码；执行单元202被配置成对于上述无标签文档对应的文档页码序列中的每两个相邻的文档页码，执行以下步骤：将上述两个相邻的文档页码中的第一个文档页码确定为第一文档页码，以及将上述两个相邻的文档页码中的第二个文档页码确定为第二文档页码；从上述文档结构识别结果集合中选择与上述第一文档页码对应、且满足预设末尾区域条件的文档结构识别结果作为末尾文档结构识别结果；从上述文档结构识别结果集合中选择与上述第二文档页码对应、且满足预设首部区域条件的文档结构识别结果作为首部文档结构识别结果；对上述末尾文档结构识别结果和上述首部文档结构识别结果进行合并检测，得到合并检测结果，其中，上述合并检测结果表征上述末尾文档结构识别结果和上述首部文档结构识别结果是否为可合并的文档结构识别结果；响应于确定上述合并检测结果表征上述末尾文档结构识别结果和上述首部文档结构识别结果为可合并的文档结构识别结果，对上述文档结构识别结果集合包括的上述末尾文档结构识别结果和上述首部文档结构识别结果进行合并处理，以对文档结构识别结果集合进行更新。
可以理解的是，该装置200中记载的诸单元与参考图1描述的方法中的各个步骤相对应。由此，上文针对方法描述的操作、特征以及产生的有益效果同样适用于装置200及其中包含的单元，在此不再赘述。
下面参考图3，其示出了适于用来实现本公开的一些实施例的电子设备(例如计算设备)300的结构示意图。本公开的一些实施例中的电子设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图3示出的电子设备仅仅是一个示例，不应对本公开的实施例的功能和使用范围带来任何限制。
如图3所示，电子设备300可以包括处理装置(例如中央处理器、图形处理器等)301，其可以根据存储在只读存储器(ROM)302中的程序或者从存储装置308加载到随机访问存储器(RAM)303中的程序而执行各种适当的动作和处理。在RAM 303中，还存储有电子设备300操作所需的各种程序和数据。处理装置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。
通常，以下装置可以连接至I/O接口305：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置306；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置307；包括例如磁带、硬盘等的存储装置308；以及通信装置309。通信装置309可以允许电子设备300与其他设备进行无线或有线通信以交换数据。虽然图3示出了具有各种装置的电子设备300，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图3中示出的每个方框可以代表一个装置，也可以根据需要代表多个装置。
特别地，根据本公开的一些实施例，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，本公开的一些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。在这样的一些实施例中，该计算机程序可以通过通信装置309从网络上被下载和安装，或者从存储装置308被安装，或者从ROM 302被安装。在该计算机程序被处理装置301执行时，执行本公开的一些实施例的方法中限定的上述功能。
需要说明的是，本公开的一些实施例中记载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存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——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。计算机可读存储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。在本公开的一些实施例中，计算机可读存储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。而在本公开的一些实施例中，计算机可读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。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、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：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。
在一些实施方式中，客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“LAN”)，广域网(“WAN”)，网际网(例如，互联网)以及端对端网络(例如，ad hoc端对端网络)，以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述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：对无标签文档进行文档结构识别处理，得到文档结构识别结果集合，其中，上述文档结构识别结果集合中的文档结构识别结果对应有文档页码；对于上述无标签文档对应的文档页码序列中的每两个相邻的文档页码，执行以下步骤：将上述两个相邻的文档页码中的第一个文档页码确定为第一文档页码，以及将上述两个相邻的文档页码中的第二个文档页码确定为第二文档页码；从上述文档结构识别结果集合中选择与上述第一文档页码对应、且满足预设末尾区域条件的文档结构识别结果作为末尾文档结构识别结果；从上述文档结构识别结果集合中选择与上述第二文档页码对应、且满足预设首部区域条件的文档结构识别结果作为首部文档结构识别结果；对上述末尾文档结构识别结果和上述首部文档结构识别结果进行合并检测，得到合并检测结果，其中，上述合并检测结果表征上述末尾文档结构识别结果和上述首部文档结构识别结果是否为可合并的文档结构识别结果；响应于确定上述合并检测结果表征上述末尾文档结构识别结果和上述首部文档结构识别结果为可合并的文档结构识别结果，对上述文档结构识别结果集合包括的上述末尾文档结构识别结果和上述首部文档结构识别结果进行合并处理，以对文档结构识别结果集合进行更新。
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公开的一些实施例的操作的计算机程序代码，上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，图示了按照本公开各种实施例的系统、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。
描述于本公开的一些实施例中的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括识别单元和执行单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，识别单元还可以被描述为“对上述无标签文档进行文档结构识别处理，得到文档结构识别结果集合的单元”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。
本公开的一些实施例还提供一种计算机程序产品，包括计算机程序，计算机程序在被处理器执行时实现上述的任一种跨区域文档内容识别方法。
以上描述仅为本公开的一些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，本公开的实施例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。例如上述特征与本公开的实施例中公开的(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 (8)

1.一种跨区域文档内容识别方法，应用于无标签文档，包括：
对所述无标签文档进行文档结构识别处理，得到文档结构识别结果集合，其中，所述文档结构识别结果集合中的文档结构识别结果对应有文档页码；
对于所述无标签文档对应的文档页码序列中的每两个相邻的文档页码，执行以下步骤：
将所述两个相邻的文档页码中的第一个文档页码确定为第一文档页码，以及将所述两个相邻的文档页码中的第二个文档页码确定为第二文档页码；
从所述文档结构识别结果集合中选择与所述第一文档页码对应、且满足预设末尾区域条件的文档结构识别结果作为末尾文档结构识别结果；
从所述文档结构识别结果集合中选择与所述第二文档页码对应、且满足预设首部区域条件的文档结构识别结果作为首部文档结构识别结果；
对所述末尾文档结构识别结果和所述首部文档结构识别结果进行合并检测，得到合并检测结果，其中，所述合并检测结果表征所述末尾文档结构识别结果和所述首部文档结构识别结果是否为可合并的文档结构识别结果；
响应于确定所述合并检测结果表征所述末尾文档结构识别结果和所述首部文档结构识别结果为可合并的文档结构识别结果，对所述文档结构识别结果集合包括的所述末尾文档结构识别结果和所述首部文档结构识别结果进行合并处理，以对文档结构识别结果集合进行更新，其中，所述对所述文档结构识别结果集合包括的所述末尾文档结构识别结果和所述首部文档结构识别结果进行合并处理，包括：将所述末尾文档结构识别结果和所述首部文档结构识别结果拼接为文档结构识别结果；
响应于检测到作用于所述无标签文档的文档界面中显示的文档内容的点选操作，且所述文档内容对应的文档结构识别结果包括末尾文档结构识别结果和首部文档结构识别结果，确定所述文档内容的分页文档内容，其中，所述确定所述文档内容的分页文档内容，包括：
响应于确定所述点选操作为作用于单个词语的点选操作，执行以下步骤：
确定所述点选操作的文档位置坐标；
从所述文档内容对应的文档结构识别结果包括的末尾文档结构识别结果中提取所述文档位置坐标前第一预设数目个字符至末尾字符的字符串作为第一末尾文本；
从所述文档内容对应的文档结构识别结果包括的首部文档结构识别结果中提取前第二预设数目个字符作为首位文本；
将所述第一末尾文本和所述首位文本拼接为组合文本；
对所述组合文本进行分词处理，得到分词集合；
将所述分词集合中每个分词的首个字符的字符位置坐标确定为所述分词的分词坐标；
从所述分词集合中选择对应的分词坐标与所述文档位置坐标距离最近的分词作为目标分词；
响应于确定所述首位文本的前第三预设数目个字符串中包含与所述目标分词中的字符相同的字符，将所述首位文本的前第三预设数目个字符串中包含的与所述目标分词中的字符相同的各个字符确定为分页文档内容；
对所述文档内容和所述分页文档内容进行突出显示处理。
2.根据权利要求1所述的方法，其中，所述方法还包括：
响应于确定所述无标签文档的文档界面中显示了至少两个无标签文档页面，确定所述至少两个无标签文档页面中每个无标签文档页面的文档页码，得到文档页码集合；
确定所更新的文档结构识别结果集合中是否存在满足预设合并条件的文档结构识别结果，其中，所述预设合并条件为文档结构识别结果对应的文档页码为所述文档页码集合中的文档页码、且文档结构识别结果包括末尾文档结构识别结果和首部文档结构识别结果；
响应于确定所更新的文档结构识别结果集合中存在满足所述预设合并条件的文档结构识别结果，对于满足所述预设合并条件的每个文档结构识别结果，在对应所述文档结构识别结果的两个无标签文档页面中对所述文档结构识别结果进行合并渲染，使得所述文档结构识别结果包括的末尾文档结构识别结果和首部文档结构识别结果呈现合并显示效果。
3.根据权利要求1所述的方法，其中，所述无标签文档为分栏文档；以及
所述从所述文档结构识别结果集合中选择与所述第一文档页码对应、且满足预设末尾区域条件的文档结构识别结果作为末尾文档结构识别结果，包括：
从所述文档结构识别结果集合中选择与所述第一文档页码对应、且满足所述预设末尾区域条件和预设末栏条件的文档结构识别结果作为末尾文档结构识别结果。
4.根据权利要求3所述的方法，其中，所述从所述文档结构识别结果集合中选择与所述第二文档页码对应、且满足预设首部区域条件的文档结构识别结果作为首部文档结构识别结果，包括：
从所述文档结构识别结果集合中选择与所述第二文档页码对应、且满足所述预设首部区域条件和预设首栏条件的文档结构识别结果作为首部文档结构识别结果。
5.根据权利要求1-4之一所述的方法，其中，所述对所述末尾文档结构识别结果和所述首部文档结构识别结果进行合并检测，得到合并检测结果，包括：
将所述末尾文档结构识别结果的文档类型确定为末尾文档类型；
将所述首部文档结构识别结果的文档类型确定为首部文档类型；
根据所述末尾文档类型和所述首部文档类型，对所述末尾文档结构识别结果和所述首部文档结构识别结果进行合并检测，得到合并检测结果。
6.一种跨区域文档内容识别装置，应用于无标签文档，包括：
识别单元，被配置成对所述无标签文档进行文档结构识别处理，得到文档结构识别结果集合，其中，所述文档结构识别结果集合中的文档结构识别结果对应有文档页码；
执行单元，被配置成对于所述无标签文档对应的文档页码序列中的每两个相邻的文档页码，执行以下步骤：将所述两个相邻的文档页码中的第一个文档页码确定为第一文档页码，以及将所述两个相邻的文档页码中的第二个文档页码确定为第二文档页码；从所述文档结构识别结果集合中选择与所述第一文档页码对应、且满足预设末尾区域条件的文档结构识别结果作为末尾文档结构识别结果；从所述文档结构识别结果集合中选择与所述第二文档页码对应、且满足预设首部区域条件的文档结构识别结果作为首部文档结构识别结果；对所述末尾文档结构识别结果和所述首部文档结构识别结果进行合并检测，得到合并检测结果，其中，所述合并检测结果表征所述末尾文档结构识别结果和所述首部文档结构识别结果是否为可合并的文档结构识别结果；响应于确定所述合并检测结果表征所述末尾文档结构识别结果和所述首部文档结构识别结果为可合并的文档结构识别结果，对所述文档结构识别结果集合包括的所述末尾文档结构识别结果和所述首部文档结构识别结果进行合并处理，以对文档结构识别结果集合进行更新，其中，所述对所述文档结构识别结果集合包括的所述末尾文档结构识别结果和所述首部文档结构识别结果进行合并处理，包括：将所述末尾文档结构识别结果和所述首部文档结构识别结果拼接为文档结构识别结果；
确定单元，被配置成响应于检测到作用于所述无标签文档的文档界面中显示的文档内容的点选操作，且所述文档内容对应的文档结构识别结果包括末尾文档结构识别结果和首部文档结构识别结果，确定所述文档内容的分页文档内容，其中，所述确定所述文档内容的分页文档内容，包括：响应于确定所述点选操作为作用于单个词语的点选操作，执行以下步骤：确定所述点选操作的文档位置坐标；从所述文档内容对应的文档结构识别结果包括的末尾文档结构识别结果中提取所述文档位置坐标前第一预设数目个字符至末尾字符的字符串作为第一末尾文本；从所述文档内容对应的文档结构识别结果包括的首部文档结构识别结果中提取前第二预设数目个字符作为首位文本；将所述第一末尾文本和所述首位文本拼接为组合文本；对所述组合文本进行分词处理，得到分词集合；将所述分词集合中每个分词的首个字符的字符位置坐标确定为所述分词的分词坐标；从所述分词集合中选择对应的分词坐标与所述文档位置坐标距离最近的分词作为目标分词；响应于确定所述首位文本的前第三预设数目个字符串中包含与所述目标分词中的字符相同的字符，将所述首位文本的前第三预设数目个字符串中包含的与所述目标分词中的字符相同的各个字符确定为分页文档内容；
突出显示单元，被配置成对所述文档内容和所述分页文档内容进行突出显示处理。
7.一种电子设备，包括：
一个或多个处理器；
存储装置，其上存储有一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-5中任一所述的方法。
8.一种计算机可读介质，其上存储有计算机程序，其中，所述程序被处理器执行时实现如权利要求1-5中任一所述的方法。
CN202210820091.8A 2022-07-13 2022-07-13 跨区域文档内容识别方法、装置、设备、介质和程序产品 Active CN115344718B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202210820091.8A CN115344718B (zh) 2022-07-13 2022-07-13 跨区域文档内容识别方法、装置、设备、介质和程序产品
US18/100,785 US20240021004A1 (en) 2022-07-13 2023-01-24 Cross-region document content recognition method, apparatus and medium

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210820091.8A CN115344718B (zh) 2022-07-13 2022-07-13 跨区域文档内容识别方法、装置、设备、介质和程序产品

Publications (2)

Publication Number Publication Date
CN115344718A CN115344718A (zh) 2022-11-15
CN115344718B true CN115344718B (zh) 2023-06-13

Family

ID=83947782

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210820091.8A Active CN115344718B (zh) 2022-07-13 2022-07-13 跨区域文档内容识别方法、装置、设备、介质和程序产品

Country Status (2)

Country Link
US (1) US20240021004A1 (zh)
CN (1) CN115344718B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102207974A (zh) * 2011-06-23 2011-10-05 天津海量信息技术有限公司 一种上下文web页面合并方法
CN112380824A (zh) * 2020-10-09 2021-02-19 北京中科凡语科技有限公司 自动识别分栏的pdf文档处理方法、装置、设备及存储介质

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112380825B (zh) * 2020-11-17 2022-07-15 平安科技（深圳）有限公司 Pdf文档跨页表格合并方法、装置、电子设备及存储介质
CN114036909A (zh) * 2021-11-04 2022-02-11 深圳市财富趋势科技股份有限公司 Pdf文档跨页表格合并方法、装置及相关设备
CN114692577A (zh) * 2022-03-18 2022-07-01 达而观信息科技（上海）有限公司 一种用于文本文档自动化编辑的内容定位方法、系统及流程自动化机器人

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102207974A (zh) * 2011-06-23 2011-10-05 天津海量信息技术有限公司 一种上下文web页面合并方法
CN112380824A (zh) * 2020-10-09 2021-02-19 北京中科凡语科技有限公司 自动识别分栏的pdf文档处理方法、装置、设备及存储介质

Also Published As

Publication number Publication date
US20240021004A1 (en) 2024-01-18
CN115344718A (zh) 2022-11-15

Similar Documents

Publication Publication Date Title
US20190251143A1 (en) Web page rendering method and related device
CN113515928B (zh) 电子文本生成方法、装置、设备及介质
CN111783508A (zh) 用于处理图像的方法和装置
CN111666776A (zh) 文档翻译方法和装置、存储介质和电子设备
CN112966469B (zh) 文档中的图表处理方法、装置、设备及存储介质
CN113204691A (zh) 一种信息展示方法、装置、设备及介质
CN114995691B (zh) 一种文档处理方法、装置、设备和介质
CN115344718B (zh) 跨区域文档内容识别方法、装置、设备、介质和程序产品
WO2023124793A1 (zh) 图像推送方法和装置
CN111368693A (zh) 一种身份证信息的识别方法和装置
CN107168627B (zh) 用于触摸屏的文本编辑方法和装置
CN115858732A (zh) 实体链接方法及设备
CN112395844B (zh) 拼音生成方法、装置和电子设备
CN111723177B (zh) 信息提取模型的建模方法、装置及电子设备
CN114239501A (zh) 合同生成方法、装置、设备及介质
CN115357160B (zh) 文档内容点选方法、装置、电子设备、介质和程序产品
CN114997120B (zh) 文档标签的生成方法、装置、终端和存储介质
CN111797591B (zh) 版面恢复方法、装置和电子设备
US20240160650A1 (en) Document processing method and apparatus, device, and medium
CN111310031B (zh) 房源信息展示方法、装置、终端及存储介质
CN111027281B (zh) 划词方法、装置、设备及存储介质
CN110209977B (zh) 用于生成网页的方法和装置
CN117170778A (zh) 动态文案展示方法、装置、电子设备和计算机可读介质
CN117635774A (zh) 书籍信息的生成方法、装置、电子设备以及存储介质
CN115906875A (zh) 文档翻译方法、设备、存储介质及程序产品

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