一种基于文档表格文本提取方法与流程
1.本发明属于数据质量检测
技术领域
：：，具体涉及一种基于文档表格文本提取方法。
背景技术
：：：2.基于政务服务评估指标体系、国家基本目录及实施清单要素标准要求，精益化梳理过程中，不同事项需要的办事申请表模板不尽相同，不同部门均有自己定制化要求，众办事需填写各种表单，基本信息重复填写，费事费力，导致办事效率低、办事体验感极差。现在需要将不同格式申请表整合为一份，提取公共部分，保留个性化信息。3.目前纯人工整合申请表工作量较大、时间较紧，新老员工工作效率相差较大，缺少经验继承，结果分享等方法和工具；缺少数据工作指引、来源查工具，缺少数据结果审核、纠错等工具，共享难，改造难，导致行政效能改革缓慢，不利于营商环境的优化。技术实现要素：4.本发明的目的是提供一种基于文档表格文本提取方法，解决了现有技术中存在的人工整合工作量较大、时间紧、效率低以及准确性较差的问题。5.本发明所采用的技术方案是，一种基于文档表格文本提取方法，具体按照以下步骤实施：6.步骤1、将待处理的word文档上传到系统服务器，系统服务器根据导入文件个数随机给每个文件分配一个文件编号，系统服务器将文件编号、文件名称、文件大小、文件存放位置、文件格式存放到数据库中；7.步骤2、创建目标文件excel，并初始化；8.步骤3、通过文件编号从所述步骤1的数据库中获取步骤1中所述的word文档存放位置、文件名称、文件格式在内的信息；9.步骤4、将通过步骤3获取的文件名称写入步骤2中所述的目标文件excel中；10.步骤5、利用java读取数据流的方式通过步骤3获取的文件存放路径获得步骤1中的原word文档中所有的表格内容；11.步骤6、将步骤5中所述的表格内容按照业务规则分为“表单项名称”、“选项名称”、“单位名称”三类，然后分别填充到步骤2所述的目标excel中的第三行开始的列标columnindex、columnindex+1、columnindex+2对应的单元格中；12.步骤7、将步骤2初始化定义的列标columnindex赋值为columnindex+3，继续从步骤3～步骤6开始循环执行，直到将步骤1中所上传的原word文件循环完毕；13.步骤8、将所述步骤2中的目标文件excel以“x份表单提取+时间戳.xls”的命名方式导出。14.本发明的特点还在于，15.步骤2具体按照以下步骤实施：16.步骤2.1、创建目标文件excel，行和列暂不填充，为后面步骤做准备；17.步骤2.2、自定义目标文件excel的起始列标columnindex初始值为0，其他列列标依次+1的方式进行赋值；18.步骤2.3、自定义目标文件excel的起始行标rowindex初始值为3，其他行依次+1的方式进行赋值；19.步骤4具体按照以下步骤实施：20.步骤4.1、将步骤3获取的文件名称写入所述步骤2中的目标文件excel中，其中，目标文件excel的第一行的列标为columnindex、columnindex+1、columnindex+2列的合并单元格；21.步骤4.2、目标文件excel的第二行写入分类表头，将“表单项名称”填充到步骤2中所述列标columnindex对应的单元格中，将“选项名称”填充到步骤2中所述列标columnindex+1对应的单元格中，将“单位名称”填充到步骤2中所述列标columnindex+2对应的单元格中。22.步骤6具体按照以下步骤实施：23.步骤6.1、将所述步骤5中的表格文本内容通过正则表达式判断当前内容属于表单项名称、选项名称、单位名称中的哪一种类别；24.步骤6.2、如果读取到的文本内容是纯汉字，或者汉字中带有空格、中英文的半圆括号、或者携带百分号％、携带顿号“、”这些特殊符号任意中的任意一种，则认为属于表单项名称这一分类，将该内容填充到所述步骤2中的行标为rowindex、列标为columnindex对应的单元格中；25.步骤6.3、如果读取到的文本内容为重量单位、面积单位、长度单位、体积单位、时间单位、金额单位，则认为是单位名称这一分类，将该内容填充到所述步骤2中的行标为rowindex，列标为columnindex+1对应的单元格中；26.步骤6.4、如果读取到的文本内容既不是步骤6.2所述的内容，也不是步骤6.3所述的内容，那么将该部分内容填充到步骤2中所述的行标为rowindex，列标为columnindex+2对应的单元格中。27.步骤8具体按照以下步骤实施：28.将步骤2中所述目标文件excel以“x份表单提取+时间戳.xls”的命名方式导出，该目标文件excel第一行存放步骤1中word文件的名称，第二行存放分类表头分别为“表单项名称”、“选项名称”、“单位名称”，从第三行开始存放步骤1中所述word文档中的表格内容，按照业务规则分类分别填充到表头为“表单项名称”、“选项名称”、“单位名称”对应列。29.按照上述步骤2～步骤8，上述表格内容填充到步骤2中所述目标excel文件中。30.本发明的有益效果是，一种基于文档表格文本提取方法，将需要整合的word文档中表格文本内容按照业务需求分类提取出来并写入到excel文档中，避免了人为整合的高成本、低效率的模式，解决了精益化化梳理工作中时间较紧，效率低，准确性较差的问题，提高了政务事项梳理人员的工作效率和工作质量。附图说明31.图1是本发明一种基于文档表格文本提取方法流程图。具体实施方式32.下面结合附图和具体实施方式对本发明进行详细说明。33.本发明首先通过java读取数据流方式获取原word文档，读取word中所有table表格，提取表格中的文本内容，对于同一个单元格换行内容采用字节流追加方式，一直到读取完成，通过正则表达式匹配word表格文本内容类别(表单项名称、选项名称、单位名称)然后再写入到excel对应行和列的单元格中。在开始读取word文档table表格中的文本时，代码新建excel的sheet页，每读取一行word文本则在excel中新建一行，每读取当前行的当前列时，在excel中新建一个单元格，然后将读取到的word中的文本写入到单元格中，依次类推循环，直至整个word文档读取完成。若多个word文档需提取表格文本内容，按照上述步骤完成所有word表格文本提取操作。34.本发明一种基于文档表格文本提取方法，流程图如图1所示，具体按照以下步骤实施：35.步骤1、将待处理的word文档上传到系统服务器，系统服务器根据导入文件个数随机给每个文件分配一个文件编号，系统服务器将文件编号、文件名称、文件大小、文件存放位置、文件格式存放到数据库中；36.步骤2、创建目标文件excel，并初始化；37.步骤2具体按照以下步骤实施：38.步骤2.1、创建目标文件excel，行和列暂不填充，为后面步骤做准备；39.步骤2.2、自定义目标文件excel的起始列标columnindex初始值为0，其他列列标依次+1的方式进行赋值；40.步骤2.3、自定义目标文件excel的起始行标rowindex初始值为3，其他行依次+1的方式进行赋值；41.步骤3、通过文件编号从所述步骤1的数据库中获取步骤1中所述的word文档存放位置、文件名称、文件格式(doc和docx)在内的信息；42.步骤4、将通过步骤3获取的文件名称写入步骤2中所述的目标文件excel中；43.步骤4具体按照以下步骤实施：44.步骤4.1、将步骤3获取的文件名称写入所述步骤2中的目标文件excel中，其中，目标文件excel的第一行的列标为columnindex、columnindex+1、columnindex+2列的合并单元格；45.步骤4.2、目标文件excel的第二行写入分类表头，将“表单项名称”填充到步骤2中所述列标columnindex对应的单元格中，将“选项名称”填充到步骤2中所述列标columnindex+1对应的单元格中，将“单位名称”填充到步骤2中所述列标columnindex+2对应的单元格中。示例如表1、表2所示：[0046][0047]步骤5、利用java读取数据流的方式通过步骤3获取的文件存放路径获得步骤1中的原word文档中所有的表格内容；[0048]步骤6、将步骤5中所述的表格内容按照业务规则分为“表单项名称”、“选项名称”、“单位名称”三类，然后分别填充到步骤2所述的目标excel中的第三行开始的列标columnindex、columnindex+1、columnindex+2对应的单元格中；[0049]步骤6具体按照以下步骤实施：[0050]步骤6.1、将所述步骤5中的表格文本内容通过正则表达式判断当前内容属于表单项名称、选项名称、单位名称中的哪一种类别；[0051]步骤6.2、如果读取到的文本内容是纯汉字，或者汉字中带有空格、中英文的半圆括号、或者携带百分号％、携带顿号“、”这些特殊符号任意中的任意一种，则认为属于表单项名称这一分类，将该内容填充到所述步骤2中的行标为rowindex、列标为columnindex对应的单元格中；[0052]步骤6.3、如果读取到的文本内容为重量单位、面积单位、长度单位、体积单位、时间单位、金额单位，则认为是单位名称这一分类，将该内容填充到所述步骤2中的行标为rowindex，列标为columnindex+1对应的单元格中；[0053]步骤6.4、如果读取到的文本内容既不是步骤6.2所述的内容，也不是步骤6.3所述的内容，那么将该部分内容填充到步骤2中所述的行标为rowindex，列标为columnindex+2对应的单元格中。[0054]步骤7、将步骤2初始化定义的列标columnindex赋值为columnindex+3，继续从步骤3～步骤6开始循环执行，直到将步骤1中所上传的原word文件循环完毕；[0055]步骤8、将所述步骤2中的目标文件excel以“x份表单提取+时间戳.xls”的命名方式导出。[0056]步骤8具体按照以下步骤实施：[0057]将步骤2中所述目标文件excel以“x份表单提取+时间戳.xls”的命名方式导出，该目标文件excel第一行存放步骤1中word文件的名称，第二行存放分类表头分别为“表单项名称”、“选项名称”、“单位名称”，从第三行开始存放步骤1中所述word文档中的表格内容，按照业务规则分类分别填充到表头为“表单项名称”、“选项名称”、“单位名称”对应列。[0058]示例：步骤1所述原word文档表格，如表3所示：[0059]表3分娩信息[0060][0061][0062]按照上述步骤2～步骤8，上述表格内容填充到步骤2中所述目标excel文件效果表4所示：[0063]表4出生医学证首次签发申请表[0064]当前第1页12当前第1页12
技术特征：
1.一种基于文档表格文本提取方法，其特征在于，具体按照以下步骤实施：步骤1、将待处理的word文档上传到系统服务器，系统服务器根据导入文件个数随机给每个文件分配一个文件编号，系统服务器将文件编号、文件名称、文件大小、文件存放位置、文件格式存放到数据库中；步骤2、创建目标文件excel，并初始化；步骤3、通过文件编号从所述步骤1的数据库中获取步骤1中所述的word文档存放位置、文件名称、文件格式在内的信息；步骤4、将通过步骤3获取的文件名称写入步骤2中所述的目标文件excel中；步骤5、利用java读取数据流的方式通过步骤3获取的文件存放路径获得步骤1中的原word文档中所有的表格内容；步骤6、将步骤5中所述的表格内容按照业务规则分为“表单项名称”、“选项名称”、“单位名称”三类，然后分别填充到步骤2所述的目标excel中的第三行开始的列标columnindex、columnindex+1、columnindex+2对应的单元格中；步骤7、将步骤2初始化定义的列标columnindex赋值为columnindex+3，继续从步骤3～步骤6开始循环执行，直到将步骤1中所上传的原word文件循环完毕；步骤8、将所述步骤2中的目标文件excel以“x份表单提取+时间戳.xls”的命名方式导出。2.根据权利要求1所述的一种基于文档表格文本提取方法，其特征在于，所述步骤2具体按照以下步骤实施：步骤2.1、创建目标文件excel，行和列暂不填充，为后面步骤做准备；步骤2.2、自定义目标文件excel的起始列标columnindex初始值为0，其他列列标依次+1的方式进行赋值；步骤2.3、自定义目标文件excel的起始行标rowindex初始值为3，其他行依次+1的方式进行赋值。3.根据权利要求4所述的一种基于文档表格文本提取方法，其特征在于，所述步骤4具体按照以下步骤实施：步骤4.1、将步骤3获取的文件名称写入所述步骤2中的目标文件excel中，其中，目标文件excel的第一行的列标为columnindex、columnindex+1、columnindex+2列的合并单元格；步骤4.2、目标文件excel的第二行写入分类表头，将“表单项名称”填充到步骤2中所述列标columnindex对应的单元格中，将“选项名称”填充到步骤2中所述列标columnindex+1对应的单元格中，将“单位名称”填充到步骤2中所述列标columnindex+2对应的单元格中。4.根据权利要求3所述的一种基于文档表格文本提取方法，其特征在于，所述步骤6具体按照以下步骤实施：步骤6.1、将所述步骤5中的表格文本内容通过正则表达式判断当前内容属于表单项名称、选项名称、单位名称中的哪一种类别；步骤6.2、如果读取到的文本内容是纯汉字，或者汉字中带有空格、中英文的半圆括号、或者携带百分号％、携带顿号“、”这些特殊符号任意中的任意一种，则认为属于表单项名称这一分类，将该内容填充到所述步骤2中的行标为rowindex、列标为columnindex对应的单元格中；
步骤6.3、如果读取到的文本内容为重量单位、面积单位、长度单位、体积单位、时间单位、金额单位，则认为是单位名称这一分类，将该内容填充到所述步骤2中的行标为rowindex，列标为columnindex+1对应的单元格中；步骤6.4、如果读取到的文本内容既不是步骤6.2所述的内容，也不是步骤6.3所述的内容，那么将该部分内容填充到步骤2中所述的行标为rowindex，列标为columnindex+2对应的单元格中。5.根据权利要求4所述的一种基于文档表格文本提取方法，其特征在于，所述步骤8具体按照以下步骤实施：将步骤2中所述目标文件excel以“x份表单提取+时间戳.xls”的命名方式导出，该目标文件excel第一行存放步骤1中word文件的名称，第二行存放分类表头分别为“表单项名称”、“选项名称”、“单位名称”，从第三行开始存放步骤1中所述word文档中的表格内容，按照业务规则分类分别填充到表头为“表单项名称”、“选项名称”、“单位名称”对应列；按照上述步骤2～步骤8，上述表格内容填充到步骤2中所述目标excel文件中。
技术总结
本发明公开了一种基于文档表格文本提取方法，首先将待处理的word文档上传到系统服务器，系统服务器根据导入文件个数随机给每个文件分配一个文件编号，系统服务器将文件编号、文件名称、文件大小、文件存放位置、文件格式存放到数据库中；然后创建目标文件excel并初始化；通过文件编号从数据库中获取word文档存放位置、文件名称、文件格式在内的信息并写入目标文件Excel中；利用Java读取数据流的方式获得原word文档中所有的表格内容；然后填充，循环执行，直到将原word文件循环完毕；最后将目标文件excel导出。本发明解决了现有技术中存在的人工整合工作量较大、时间紧、效率低以及准确性较差的问题。准确性较差的问题。准确性较差的问题。
