一种基于XML的科技文献表格抽取方法.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115935910A(43)申请公布日2023.04.07(21)申请号202211486932.2G06F16/81(2019.01)(22)申请日2022.11.24G06F16/835(2019.01)G06F16/84(2019.01)(71)申请人广西大学地址530004广西壮族自治区南宁市西乡塘区大学东路100号(72)发明人邓建新刘港王令吴秀松梁嘉威贺德强李先旺黎业富农张华(74)专利代理机构南宁智卓专利代理事务所(普通合伙)45129专利代理师吴世贵(51)Int.Cl.G06F40/157(2020.01)G06F40/18(2020.01)G06F40/258(2020.01)权利要求书3页说明书8页附图6页(54)发明名称一种基于XML的科技文献表格抽取方法(57)摘要本发明提供一种基于XML的科技文献表格抽取方法，属于PDF文件信息提取领域，方法包括将PDF转为DOCX，解压DOCX获得XML文件，利用XML树结构中的文本字号节点及关键字过滤干扰字符，保留表格标题关键字，通过单元格的属性节点获取表头并分列，除表头外的其他表格行以表头的列为基准修正列，存在列缺失的表格行根据规则从上一行取出数据插入，还原该表格行结构，最后利用本体模型抽取表格列数据并存储。该方法不受科技文献的表格框线类型约束，并通过语义模型精确抽取有关联的表格数据，还原表格的逻辑关系，提高表格抽取的准确性与自动化程度，适用于不同领域的科技文献。CN115935910ACN115935910A权利要求书1/3页1.一种基于XML的科技文献表格抽取方法，其特征在于：所述方法包括如下步骤：步骤1：文档转换，将PDF转换为DOCX，解压DOCX后获取XML格式的底层文件，利用XML节点获取所有文本、文本属性及单元格属性，建立文本集合Text；步骤2：构建本体模型，根据相关领域创建语义模型，为一级概念建立表格标题关键字；步骤3：过滤干扰字符，利用表格标题关键字的字号属性过滤干扰字符，并利用期刊中的特殊关键字过滤字号属性识别失效的干扰字符；步骤4：表头识别，根据表格标题关键字查找属于本体模型的表头内容，确定表头所有文本，利用单元格长度属性将表头按列分割，并将表头的列数作为表格列数；步骤5：还原表格结构，利用单元格长度属性获取表格每行的列数，若列数小于表头列数，则从上一行中高度异常的单元格中取出换行节点或段落节点后的文本，插入该行中，并将该行内同一单元格内的拆分字符拼接成完整的字符串，利用单元格高度属性与长度属性判断表格结束位置；步骤6：抽取表格数据，根据本体模型匹配表格标题及表头，抽取相关领域的表格数据并存储。2.根据权利要求1所述的一种基于XML的科技文献表格抽取方法，其特征在于：步骤1中，将PDF转换为DOCX，还原文本行的结构，且表格结构部分还原，保留字符间的相对位置，解压DOCX后获取XML格式的底层文件，利用XML结构中的w:t、w:sz、w:tcW和w:trHeight节点分别获取原文档中的文本字符串、文本属性、单元格长度属性和单元格高度属性，判断XML中的字符格式，将所有全角字符转为半角字符，并还原字符间的连接关系，构建Text文本集合。3.根据权利要求1所述的一种基于XML的科技文献表格抽取方法，其特征在于：步骤2中，根据相关领域构建本体模型，包括一级概念和二级概念，根据一级概念创建表格标题关键字集合。4.根据权利要求1所述的一种基于XML的科技文献表格抽取方法，其特征在于：步骤3中，文本字号与字符串一一对应，获取表格标题关键字的字号以及所有文本字号，剔除字号较大的正文字符，对摘要和参考文献创建特殊关键字，包括摘要、Abstract、参考文献和References关键字，过滤该关键字后的文本，直到字号变大或无文本时结束过滤。5.根据权利要求1所述的一种基于XML的科技文献表格抽取方法，其特征在于：步骤4中，根据表格标题关键字确定表头所有文本的过程包括确定表格标题关键字所在位置，按照XML中的字符顺序从表格标题关键字的下一个单元格开始查找首次出现本体模型中的二级概念，获取相应名词所在单元格的高度，统计文本集合第一次出现该单元格高度的字符与最后一次出现该单元格高度的字符，将两个字符之间的所有文本作为表头内容；从表格标题关键字位置开始查找本体模型的方式为：若表格标题关键字不位于单元格中，按照字符顺序找到第一个位于单元格内的本体模型二级概念，名词所在行即为表头，若表格标题关键字位于单元格内，判断当前字符所在单元格的长度是否等于表格标题关键字所在的单元格长度，若长度变化且存在本体模型二级概念，则该单元格所在表格行为表头；表头内容分列的过程包括：获取表头每个单元格长度，单元格长度的种类