文本获取和处理.pptVIP

第2章 文本获取与处理 主讲教师 胡永斌 数据单位 计算机存储数据时的最小单位是位(bit)，一个bit可以存储一个二进制数。存储数据的基本单位是字节(Byte)，简记为B。规定一个字节等于8个位，即1Byte=8bit。一个字节可以保存一个英文字符，一个汉字要占用两个字节。 计算机的存储器是以字节为单位，每个字节都有一个地址编码，通过地址找到某个字节来存取数据。由于二进制的原因，存储容量的倍数用千表示，千等于1024。1KB=1024B；1MB=1024KB；1GB=1024MB；1TB=1024GB。 文本的获取技术 1. 输入法的分类： 包括键盘输入法、手写输入法和语音输入法等。 2.键盘输入法按编码原理可分为： 音码输入法，如全拼、智能ABC、拼音加加、智能狂拼、谷歌输入法、搜狗输入法、QQ输入法等； 形码输入法，如五笔、郑码等； 音形码输入法，如二笔、自然码、一笔等； 模式识别（pattern recognition）是指借助计算机，就人类对外部世界某一特定环境中的客体、过程和现象的识别功能(包括视觉、听觉、触觉、判断等)进行自动模拟的科学技术。 文本识别技术 语音识别技术 手写识别技术 文本的获取技术 3.文字识别输入 　　光学字符识别(OCR,Optical Character Recognition)是指对文本资料进行扫描，然后对图像文件进行分析处理，获