正则表达式在文档自动识别中的应用.pdfVIP

中国人民公安大学学报(自然科学版) 2005年第4期No.42005 JournalofChinesePeoplesPublicSecurityUniversity(ScienceandTechnolo 总第46期SunA6 正则表达式在文档 自动识别中的应用* 赵兴涛 王斌君 刘 舒 (中国人民公安大学，北京 100038) 摘 要 xml格式适合表达法律条文等半结构化的信息。为了能将文本格式的法律文件等自动转 化为xml格式的数据，首先需要理解文本格式法律文件等结构信息。本文利用正则表达式的概 念，有效地识别法律文件的章、节、条、款等结构信息，为将法律文件从正文结构到XML结构 的自动转化莫定了基础。 关键词 正则表达式;法律条约XML;NetFramework 中图分类号 TP391.4 涉及的法律文件结构的理解，就是理解法律文件的 0 引言 章 (篇)、节、条、款信息，这些信息有特殊的标 近年来，经济犯罪现象逐年增多，犯罪分子利 记，例如，它们都是一个自然段的开始等。采用词 用我国与其他国家之间法律制度的不同、法律体系 法分析器即可对它们识别。 的差异，利用各种手段逃往国外，长期逍遥法外。 关于词法分析有右线性文法、正则表达式、自 为了及时将其抓获，首先要理解和掌握我国的相关 动机等各种方法，它们的描述能力是等价的。本系 法律，对方国家的相关法律，还有国际公约、多边 统采用正则表达式的方法解决法律文件自动识别问 条约、双边条约等。双边条约还分为司法协助、引 题。 渡条约、警务合作，等等。要在这浩瀚的法律文件 下面先介绍正则表达式的基本理论闭，然后， 中查寻有用的信息是一件困难的事情[’〕。为充分 介绍利用正则表达式如何识别法律文件的章节条 利用现有资源，提高办案效率，同时减轻工作人员 款，最后，阐述正则表达式的进一步应用。 的工作强度，我们开发了 《经济犯罪境外缉捕法 1 正则表达式 律文件管理系统》，可以方便地管理和使用这些相 关法律文件。 正则表达式是由数学家StephenKleene于1956 由于法律条文的非结构化特性，系统采用基于 年提出的。他的描述能力与Chomsky提出的三型文 XML和PDF格式的文档作为数据的存储平台 (详 法，即右线性文法等价，主要通过字符的格式匹配 见2,〔3]的描述)。然而有一个问题:计算机如何正 进行词法分析。后来，被推广为在静态文本中查找 确地理解法律条文的结构，以便能自动地将其转换 和替代的一种标准。 为系统内部的XML和PDF格式? 正则表达式是对一类字符串共性描述的规则， 理解一种语言，行之有效的方法就是利用成熟 是由普通字符 (例如字符a到 :)以及特殊字符 的编译理论和技术[’]。按照常规的思路，该问题 (称为元字符)组成的文字模式。它描述了满足一 应该采用语法分析器才能完成。但是，对本系统所 定模式的字符串的集合。例如:+X*y”表示若干 *本文为公安部部级项目。 作者简介 赵兴涛 (1973- )，男，吉林人，讲师，主要从事应用软件研究。 33 · 赵兴涛 王斌君 刘 舒:正则表达式在文档自动识别中的应用 个X后面跟一个y的字符串的集合，\[\t]*$” 合表示后面可以接其他字符 (不包含换行符);$ 表示匹配一个空白行等。 表示行结束符。 在典型的搜索和替换操作中，必须提供要查找 的确切文字。这种技术对于静态文本中的简单搜索 和替换任务可能足够了，但是由于它缺乏灵活性， 因此在搜索动态文本时就有困难，甚至是不可能 的。使用正则表达