基于Tika的复合文档文本信息抽取及其应用开发.pdfVIP

基于Tika 的复合文档文本信息抽取及其应用开发 吴鹏飞 摘 要： 介绍了开源复合文档文本信息抽取工具 Apache Tika 的应用环境、 系统架构、 功能函数和 支持的文档格式， 介绍一个开发应用实例为下一步深入进行文本内容索引、 实体关系识别、 语义 分析和跨语言理解等奠定了良好的基础。 关键词： Tika ； 信息抽取； 元数据； 中文分词； 复合文档 成。 具体 Tika 系统架构如图 1 所示。 1 引言 当前 Web 环境下信息资源是以复合文档作为载体存在的， 例如 HTML、 XML、 DOC、 XLS、 PDF、 JPG、 FLV 等格式文 档， 海量、 分布、 异构的复合文档构成了整个 Web 信息环境。 Web 环境下的智能信息处理和检索需要理解跨语言 、 跨文化、 跨文档的内容。 Web 中的复合文档作为信息资源的载体， 要想 理解不同类型复合文档， 首先需要对复合文档进行信息解析与 抽 取 。 主要介绍了开源复合文档文本信息抽取工具 A