一种基于人在回路的多源异质文档多模态数据抽取的方法

本发明涉及一种基于人在回路的多源异质文档多模态数据抽取的方法，包括：步骤S1：对原始PDF文件进行预处理；步骤S2：整理并清洗步骤S1中获得的PDF文件元数据；步骤S3：对解析得到的文本数据进行清洗和整理；步骤S4：对解析得到的表格数据进行清洗和整理；步骤S5：对解析得到的图片数据进行清洗和整理；步骤S6：将步骤S3中处理后的文本数据输入模型进行微调；步骤S7：将步骤S4中处理后的表格数据输入模型进行微调；步骤S8:设计表格结构识别算法还原表格结构；步骤S9：将步骤S5中处理后的图片数据输入模型进行微调，本发明通过引入“人在回路”的机制，确保自动数据抽取的精度和鲁棒性，从而实现快速高效的目标数据收集，提升数据库构建效率。