买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉广西大学申请的专利一种基于XML的科技文献表格抽取方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN115935910B 。

龙图腾网通过国家知识产权局官网在2026-04-21发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202211486932.2，技术领域涉及：G06F40/157；该发明授权一种基于XML的科技文献表格抽取方法是由邓建新;刘港;王令;吴秀松;梁嘉威;贺德强;李先旺;黎业富;农张华设计研发完成，并于2022-11-24向国家知识产权局提交的专利申请。

本一种基于XML的科技文献表格抽取方法在说明书摘要公布了：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。

本发明授权一种基于XML的科技文献表格抽取方法在权利要求书中公布了：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； 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，单元格长度的种类即为表头的列数，查询与该字符绑定的单元格长度属性节点，单元格长度相同的文本划分为同列，单元格长度不同的文本划分为不同列； 表头第k个字符为tk，其所在单元格长度为wk，第1行第j列的单元格为c1j，其长度为w1j，若wk=w1j，则tk字符属于c1j单元格，该字符也表示为t1j。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人广西大学，其通讯地址为：530004 广西壮族自治区南宁市西乡塘区大学东路100号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。