数学公式识别提取.pptVIP

数学公式识别提取 陈立辉 内容 爬虫结构流程 结构 快速识别 Maple转换 Java Dom解析介绍 1.爬虫结构流程 爬取网页模块 提取数学公式模块 转换模块 harvest格式写入文件模块 文件夹 Web 存放 1.爬虫结构流程 快速识别包含数学公式网页模块 提取数学公式模块 （presentation、混合型MathML） maple转换模块 harvest格式写入文件模块 文件夹 Web 存放 ① ② ③ 爬取网页模块 修改后 快速识别包含数学公式网页模块 过滤条件： 纯文字网页： 如：纯中文、英文等网页 不包含数学公式基本变量： 如：x,y,z,a,b,c,k（独立字母） α,β,γ,ε,η,θ（希腊字母） 不包含运算符： 如：=、、、+、-、*、/、×、÷ 获取网页源码 抽取网页MathML源码 不包含运算符 不包含数学公式基本变量 纯文字网页 否 否 否 是 是 是 提取数学公式模块 正则匹配： 实现Presentation、混合MathML、（Content、infix） * 获取网页源码 MathML正则匹配 抽取网页MathML源码 是否找到MathML 是 否 maple转换模块 混合及presentation源码： 为保持公式原型，对mn标记 包含的纯数字添加后缀@， 进行转换，转换后将后缀及 包含此文本的标记修改为原 型 调用mapl