(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211197789.5 (22)申请日 2022.09.29 (71)申请人 鼎蓝惠民信息技 术 （西安） 有限公司 地址 710061 陕西省西安市高新区高新 一 路25号创新大厦S510室 (72)发明人 孙涛　马国华　赵博　崔力飞　 张兴隆　韩丽霞　王云　 (74)专利代理 机构 西安弘理专利事务所 61214 专利代理师 王敏强 (51)Int.Cl. G06F 40/174(2020.01) G06F 40/18(2020.01) G06F 16/35(2019.01) (54)发明名称 一种基于文档表格文本提取方法 (57)摘要 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。 权利要求书2页 说明书5页 附图1页 CN 115496043 A 2022.12.20 CN 115496043 A 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、 co lumnIndex+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w ord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co lumnIndex、 columnIndex+1、 co lumnIndex+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co lumnIndex+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rowIn dex、 列标为columnIn dex对应的单 元格中；权　利　要　求　书 1/2 页 2 CN 115496043 A 2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co lumnIndex+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。权　利　要　求　书 2/2 页 3 CN 115496043 A 3