本發明專利技術提供了一種提取文檔中內容的方法和裝置，本發明專利技術的方法包括：遍歷多個正則表達式以匹配試題文檔中的字符；匹配到與當前所述正則表達式中的字符串相同的字符后，提取所述字符之后至與下一個所述正則表達式中字符串相匹配的字符之前的字符；存儲所述提取的字符和所述當前正則表達式相對應類別的信息?？煽焖賹⒃囶}類文檔結構化，并提取各部分內容存入數據庫中。從而便于試題類文檔的后續的修改、試題產品的制作等。提高了試題的再利用率，結構化的數據采用XML格式，在不改變原有文件內容的情況下，打破了以往按照固定結構進行數據錄入的模式。
【技術實現步驟摘要】
本專利技術涉及數字排版領域，具體而言，涉及一種提取文檔中內容的方法和裝置。
技術介紹
在教育體系中，隨著計算機、互聯網的發展，越來越多的教育形式通過網絡和電子形式應用到用戶，用戶可以足不出戶，就可體驗到網絡的教學，如學習各類課程、在線測試坐寸ο互聯網的教育體系，為滿足大量用戶通過計算機連接互聯網，并可進行在線測試。需要制作電子試題庫，電子試題庫內存儲大量的電子試題，這些電子試題文檔錄入以后，用戶可通過互聯網進行在線測試，但一套試題經過使用后，就不在有保密性，需要修改試題。試題的修改都是在部分修改，以提高試題的重復利用及制作的效率。試題文檔通常存儲在數據庫中，對于當前海量的非結構化試題，現有的錄入過程，是通過用戶使用計算機錄入試題。專利技術人發現，試題的數據量比較多，由于非結構化的試題文件只能采用人工錄入的方式錄入，由于存在無法將數據文檔實現結構化錄入的問題，導致在錄入過程、以及后續的提取、修改試題的部分內容困難，用戶存在錄入時間長、后期修改過程復雜。
技術實現思路
本專利技術旨在提供一種提取文檔中內容的方法和裝置，以解決無法將數據文檔實現結構化錄入的問題。在本專利技術的實施例中，提供了一種提取文檔中內容的方法。包括遍歷多個正則表達式以匹配試題文檔中的字符；匹配到與當前所述正則表達式中的字符串相同的字符后，提取所述字符之后至與下一個所述正則表達式中字符串相匹配的字符之前的字符；存儲所述提取的字符和所述當前正則表達式相對應類別的信息。進一步地，所述提取之前，還包括建立匹配表，所述匹配表中存儲有所述各個正則表達式及其相對應類別的信息。進一步地，所述類別的信息包括以下至少一個題目、題干、答案、解析或選項。進一步地，所述存儲之前包括在所述類別的信息之間建立從屬關系。進一步地，所述存儲的過程包括將所述題目作為父節點存儲，同時存儲對應的標識、及提取的字符；將所述題干、答案、選項、解析中的至少一個作為子節點，并存儲所述子節點對應的標識、其對應提取的字符、及其父節點標識。進一步地，所述父節點、相關聯的子節點、及其對應標識和提取的字符作為一條記錄，所述記錄存儲到數據庫中。進一步地，還包括在所述存儲過程中，將音頻、視頻或圖片作為主節點的屬性數據一同存儲。在本專利技術的實施例中，還提供了一種提取文檔中內容的裝置，包括匹配單元，用于遍歷多個正則表達式以匹配試題文檔中的字符；提取單元，用于匹配到與當前所述正則表達式中的字符串相同的字符后，提取所述字符之后至與下一個所述正則表達式中字符串相匹配的字符之前的字符；存儲單元，用于存儲所述提取的字符和所述當前正則表達式相對應類別的信息。進一步地，節點關系單元，用于通過存儲單元將所述題目作為父節點存儲，同時存儲對應的標識、及提取的字符；將所述題干、答案、選項、解析中的至少一個作為子節點，并存儲所述子節點對應的標識、其對應提取的字符、及其父節點標識。進一步地，屬性單元，用于在所述存儲過程中，將音頻、視頻或圖片作為主節點的屬性數據一同存儲。從以上的描述中可以看出，本專利技術上述的實施例實現了如下技術效果可快速將試題類文檔結構化，并提取各部分內容存入數據庫中。從而便于試題類文檔的后續的修改、試題產品的制作等。提高了試題的再利用率，結構化的數據采用XML格式，對題干、選項、答案線、答案、解析等進行詳細劃分，這樣對這些試題提取或者組卷的時候可以任意的組合、修改、樣式套用。在不改變原有文件內容的情況下，打破了以往按照固定結構進行數據錄入的模式。另外，可以隨時選擇試題進行多渠道的發布。比如試卷打印，教材出版，網頁展示，手機閱讀等。不論紙面出版還是各種電子設備和瀏覽器需要的數據格式都是不同的。發布的內容也可有多種形式，可滿足考生和教師的試卷不完全相同的，教師的試卷中帶有試題的答案和解析。附圖說明此處所說明的附圖用來提供對本專利技術的進一步理解，構成本申請的一部分，本專利技術的示意性實施例及其說明用于解釋本專利技術，并不構成對本專利技術的不當限定。在附圖中圖I示出了實施例一的流程圖；圖2示出了實施例二的流程圖；圖3示出了實施例二中存儲過程的流程圖；圖4示出了實施例三的裝置結構框圖。具體實施例方式下面將參考附圖并結合實施例，來詳細說明本專利技術。本專利技術實施例，通過正則表達式遍歷試題文檔中的內容，以將試題文檔結構化,并提取里面的內容。參見圖1，包括以下步驟Sll :遍歷多個正則表達式以匹配試題文檔中的字符；可預先定義多個正則表達式，例如，定義數字型字符串，以匹配題干的開始處。通常題干的開始處為數字和空格或數字和特定字符等形式，特定字符如字符”或“、”等，通過這些字符，可快速匹配到題干的開始位置。選項通常以字母開始，或通過字母與特定字符結合，如將字母置于圓括號“O”中，或字母后添加空格等。另外，除了標準的正則表達式以夕卜，還可以支持根據文字的格式、樣式來匹配。例如〈識別標志>〈忽略題號value = " True " />例如〈識別標志>〈忽略題號value = " True " />〈包含選項中的字母和符號value= " True" />< 試題 value = " \d+ " display ="數字 + 點(例:1· , 2. , 3· ) " />〈子試題value = " 〃 display = "數字 + 括號(例(1), (2),⑶)"/>< 選項 value = " " display = " A. , B. , C. , D. , E. , F. " />< 答案 value ="答案"display ="答案"/>< 解析 value ="解析"display ="解析"/>〈答案線value="文字下劃線"display ="文字下劃線"/>〈內部序號value="數字+文字下劃線"display ="數字+文字下劃線"/></識別標志>S12 :匹配到與當前所述正則表達式中的字符串相同的字符后，提取所述字符之后至與下一個所述正則表達式中字符串相匹配的字符之前的字符；例如在試題文檔中存在以下字符I.將10米長的鐵絲平均分為5段，每段_米。(A) 2 米(B) I. 5 米(C) 2. 5 米(D) 3 米答案A2 米。解析10米除以5，等于2米。通過預先定義的正則表達式，在試題文檔的起始位置，首先會匹配字符串“I. ”以表明匹配到題干，在后續的匹配過程中，又會匹配到字符串“㈧”，以表明匹配到選項。提取從字符串“I. ”開始至與下一個正則表達式中字符串相匹配的字符“ (A) ”之前的字符，即字符內容“將10米長的鐵絲平均分為5段，每段_米?！?。從而提取到題干內容。進而還可通過正則表達式匹配到選項、答案等內容。S13:存儲所述提取的字符和所述當前正則表達式相對應類別的信息。每個正則表達式都會具有一個類別，例如題目、題干、選項、答案或解析等，這些類別信息會隨匹配后，提取到的字符一同存儲。通過上述的過程，可將試題文檔結構化處理，以便存儲到數據庫中。便于后續的錄入過程、以及提取、修改試題的部分內容，可提高錄入速度、后續的試題修改、制作過程。上面詳細說明了實施例一，將這些試題結構后，存儲到數據庫時，可將每道題作為一條記錄存本文檔來自技高網...
【技術保護點】
一種提取文檔中內容的方法，其特征在于，包括：遍歷多個正則表達式以匹配試題文檔中的字符；匹配到與當前所述正則表達式中的字符串相同的字符后，提取所述字符之后至與下一個所述正則表達式中字符串相匹配的字符之前的字符；存儲所述提取的字符和所述當前正則表達式相對應類別的信息。
【技術特征摘要】
【專利技術屬性】
技術研發人員：宋娟，李少明，翟因為，
申請(專利權)人：北大方正集團有限公司，北京北大方正電子有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。