1.一种基于CNN和RCNN模型的文本识别方法，其特征在于，包括以下步骤：步骤S101：抓取待识别网页文本，识别待识别网页文本中的字符及对网页文本进行分词，获得待识别网页文本的词汇；基于识别到的字符对待识别网页文本进行字符级文本编码，基于分词获得的词汇对待识别网页文本进行词汇级文本编码；步骤S102：构建基于CNN和RCNN的融合模型，包括：步骤S1021：构建第一CNN网络模型，所述CNN网络模型包括卷积层、池化层、全连接层，且所述CNN网络模型为三层并联式CNN网络，即具有三个并联连接的卷积层，且每个卷积层后面都连接一个池化层，所述并联式CNN网络的三层中的每个卷积层的输入都是字符级文本编码，对字符级文本编码进行卷积处理后分别输入对应的池化层；三个池化处理结果共同输入全连接层，在全连接层进行降维处理，得到第一处理结果logits_1；步骤S1022：构建第一RCNN模型，所述第一RCNN模型复用第一CNN网络模型，并在复用的第一CNN网络模型的输入端增加一个循环神经网络RNN，所述循环神经网络为LSTM模型，即LSTM模型的输入端接收字符级文本编码；LSTM模型的输出端连接到复用的第一CNN网络模型的输入端，第一RCNN网络模型的输出为第二处理结果logits_2；步骤S1023：构建第二CNN网络模型，所述CNN网络模型包括卷积层、池化层、全连接层，且所述CNN网络模型为三层并联式CNN网络，即具有三个并联连接的卷积层，且每个卷积层后面都连接一个池化层，所述并联式CNN网络的三层中的每个卷积层的输入都是词汇级文本编码，对词汇级文本编码进行卷积处理后分别输入对应的池化层；三个池化处理结果共同输入全连接层，在全连接层进行降维处理，得到第三处理结果logits_3；步骤S1024：构建第二RCNN模型，所述第二RCNN模型复用第二CNN网络模型，并在复用的第二CNN网络模型的输入端增加一个循环神经网络RNN，所述循环神经网络为LSTM模型，即LSTM模型的输入端接收词汇级文本编码；LSTM模型的输出端连接到复用的第二CNN网络模型的输入端，第二RCNN网络模型的输出为第四处理结果logits_4；步骤S1025：构建基于CNN和RCNN的融合模型，所述融合模型包括第一CNN网络模型、第一RCNN模型、第二CNN网络模型、第二RCNN模型、融合层及一个Softmax层；所述融合模型的输入为字符级文本编码与词汇级文本编码；所述第一CNN网络模型、第一RCNN模型接收所述字符级文本编码，所述第二CNN网络模型、第二RCNN模型接收所述词汇级文本编码，所述第一CNN网络模型、第一RCNN模型、所述第二CNN网络模型、第二RCNN模型同步、并行进行计算；所述融合层接收第一CNN网络模型、第一RCNN模型、第二CNN网络模型、第二RCNN模型的输出数据，对第一CNN网络模型、第一RCNN模型、第二CNN网络模型、第二RCNN模型的输出数据确定融合比例，再将按融合比例计算得到的结果传送到Softmax层，进行Softmax处理；步骤S103：输入字符级文本编码样本数据、词汇级文本编码样本数据，对所述基于CNN和RCNN的融合模型进行训练，得到训练好的融合模型；步骤S104：将基于待识别网页文本获得的字符级文本编码、词汇级文本编码输入训练好的融合模型，得到识别结果。
2.如权利要求1所述的基于CNN和RCNN模型的文本识别方法，其特征在于，所述步骤S101中的基于识别到的字符对待识别网页文本x进行字符级文本编码，具体方式为：x 1 ’＝One_Hot(x)；其中，One_Hot()为Tensorflow中实现字符级文本编码的函数；基于分词获得的词汇对待识别网页文本x进行词汇级文本编码，具体方式为：x 2 ’＝word2vector(x)；word2vector是通过批量文本数据提前训练得到的，为分词后获得的每个词汇对应生成编码向量。
3.如权利要求2所述的基于CNN和RCNN模型的文本识别方法，其特征在于，所述步骤S1021：所述并联式CNN网络的三层中的每个卷积层的输入都是字符级文本编码，对字符级文本编码进行卷积处理后分别输入对应的池化层，包括：利用所述并联式CNN网络的三层中的每个卷积层对字符级文本编码进行卷积处理，得到的处理结果分别输入对应的池化层进行池化处理，具体方式为：y 1 ＝pool[conv(x 1 ’)]y 2 ＝pool[conv(x 1 ’)]y 3 ＝pool[conv(x 1 ’)]其中，x 1 ’为字符级文本编码结果，conv为卷积处理，将数据处理成128维的数据，pool为池化处理，y 1 、y 2 、y 3 分别为三个并联的层的处理结果；y＝dense(y 1 +y 2 +y 3 )其中，dense()为Tensorflow中实现降维处理的函数；即针对得到的并联输出的三个128维的数据，将其输入全连接层网络中，由全连接层对其进行降维，y值即为第一处理结果logits_1。
4.一种基于CNN和RCNN模型的文本识别装置，其特征在于，所述装置包括：信息提取模块：抓取待识别网页文本，识别待识别网页文本中的字符及对网页文本进行分词，获得待识别网页文本的词汇；基于识别到的字符对待识别网页文本进行字符级文本编码，基于分词获得的词汇对待识别网页文本进行词汇级文本编码；融合模块：构建基于CNN和RCNN的融合模型，包括：第一训练模块：构建第一CNN网络模型，所述CNN网络模型包括卷积层、池化层、全连接层，且所述CNN网络模型为三层并联式CNN网络，即具有三个并联连接的卷积层，且每个卷积层后面都连接一个池化层，所述并联式CNN网络的三层中的每个卷积层的输入都是字符级文本编码，对字符级文本编码进行卷积处理后分别输入对应的池化层；三个池化处理结果共同输入全连接层，在全连接层进行降维处理，得到第一处理结果logits_1；第二训练模块：构建第一RCNN模型，所述第一RCNN模型复用第一CNN网络模型，并在复用的第一CNN网络模型的输入端增加一个循环神经网络RNN，所述循环神经网络为LSTM模型，即LSTM模型的输入端接收字符级文本编码；LSTM模型的输出端连接到复用的第一CNN网络模型的输入端，第一RCNN网络模型的输出为第二处理结果logits_2；第三训练模块：构建第二CNN网络模型，所述CNN网络模型包括卷积层、池化层、全连接层，且所述CNN网络模型为三层并联式CNN网络，即具有三个并联连接的卷积层，且每个卷积层后面都连接一个池化层，所述并联式CNN网络的三层中的每个卷积层的输入都是词汇级文本编码，对词汇级文本编码进行卷积处理后分别输入对应的池化层；三个池化处理结果共同输入全连接层，在全连接层进行降维处理，得到第三处理结果logits_3；第四训练模块：构建第二RCNN模型，所述第二RCNN模型复用第二CNN网络模型，并在复用的第二CNN网络模型的输入端增加一个循环神经网络RNN，所述循环神经网络为LSTM模型，即LSTM模型的输入端接收词汇级文本编码；LSTM模型的输出端连接到复用的第二CNN网络模型的输入端，第二RCNN网络模型的输出为第四处理结果logits_4；融合训练模块：构建基于CNN和RCNN的融合模型，所述融合模型包括第一CNN网络模型、第一RCNN模型、第二CNN网络模型、第二RCNN模型、融合层及一个Softmax层；所述融合模型的输入为字符级文本编码与词汇级文本编码；所述第一CNN网络模型、第一RCNN模型接收所述字符级文本编码，所述第二CNN网络模型、第二RCNN模型接收所述词汇级文本编码，所述第一CNN网络模型、第一RCNN模型、所述第二CNN网络模型、第二RCNN模型同步、并行进行计算；所述融合层接收第一CNN网络模型、第一RCNN模型、第二CNN网络模型、第二RCNN模型的输出数据，对第一CNN网络模型、第一RCNN模型、第二CNN网络模型、第二RCNN模型的输出数据确定融合比例，再将按融合比例计算得到的结果传送到Softmax层，进行Softmax处理；训练模块：输入字符级文本编码样本数据、词汇级文本编码样本数据，对所述基于CNN和RCNN的融合模型进行训练，得到训练好的融合模型；识别模块：将基于待识别网页文本获得的字符级文本编码、词汇级文本编码输入训练好的融合模型，得到识别结果。
5.如权利要求4所述的基于CNN和RCNN模型的文本识别装置，其特征在于，所述信息提取模块，基于识别到的字符对待识别网页文本x进行字符级文本编码，具体方式为：x 1 ’＝One_Hot(x)；其中，One_Hot()为Tensorflow中实现字符级文本编码的函数；基于分词获得的词汇对待识别网页文本x进行词汇级文本编码，具体方式为：x 2 ’＝word2vector(x)；word2vector是通过批量文本数据提前训练得到的，为分词后获得的每个词汇对应生成编码向量。
6.如权利要求5所述的基于CNN和RCNN模型的文本识别装置，其特征在于，所述第一训练模块，包括：处理子模块：利用所述并联式CNN网络的三层中的每个卷积层对字符级文本编码进行卷积处理，得到的处理结果分别输入对应的池化层进行池化处理，具体方式为：y 1 ＝pool[conv(x 1 ’)]y 2 ＝pool[conv(x 1 ’)]y 3 ＝pool[conv(x 1 ’)]其中，x 1 ’为字符级文本编码结果，conv为卷积处理，将数据处理成128维的数据，pool为池化处理，y 1 、y 2 、y 3 分别为三个并联的层的处理结果；y＝dense(y 1 +y 2 +y 3 )其中，dense()为Tensorflow中实现降维处理的函数；即针对得到的并联输出的三个128维的数据，将其输入全连接层网络中，由全连接层对其进行降维，y值即为第一处理结果logits_1。
