网络科技信息监测中富文档识别与信息提取技术研究.PDFVIP

·博士论坛· 情报科学 博士论坛 博士论坛 博士论坛 博士论坛 博士论坛 博士论坛 博士论坛 博士论坛 博士论坛 博士论坛 博士论坛 博士论坛 博士论坛 博士论坛 博士论坛 博士论坛 博士论坛 博士论坛 博士论坛 博士论坛 博士论坛 博士论坛 博士论坛 博士论坛 博士论坛 博士论坛 博士论坛 博士论坛 博士论坛 博士论坛 第第3535卷卷第第11期期年11月月 网络科技信息监测中富文档识别与信息提取技术研究 1，2 1，2 1 张 敏 ，刘建华 ，谢 靖 （1.中国科学院文献情报中心，北京 100190；2.中国科学院大学，北京 100190） 摘 要：【目的/意义】围绕富文档载体类型的鉴别、元数据的提取等开展相应的实际应用探索。【方法/过程】通过开 源工具PDFBox 以及Tika 对不同类型的富文档元数据及正文内容进行提取，取得了良好的实际效果，为科研人员提 供了大量的有学术价值的情报资源。【结果/结论】通过对富文档监测与识别的研究与探索，笔者拓展了文本知识内 容的识别方法，为后续的深度知识分析提供了有效的支撑。 关键词：富文档；元数据；类型识别 中图分类号：G254.97 文献标识码：A 文章编号：1007-7634 （2017 ）01-128-05 DOI:10.13833/ki.is.2017.01.024 Identification and Information Extraction of Rich Documents for Web Scientific Information Monitoring 1，2 1，2 1 ZHANGMin ，LIUJian-hua ，XIEJing (1.NationalScienceLibrary,ChineseAcademyofSciences,Beijing 100190,China; 2.UniversityofChineseAcademyofSciences,Beijing100190,China) Abstract ：【Purpose/significance 】This paper focuses on the practical application of the identification of the rich document carrier, the extraction of metadata and the content of the text, and so on. 【Method/process】Through the open source tools ， such as PDFBox and Tika, the author provides a lot of valuable information resources for the scientific research personnel, which has obtained good actual effect. 【Result/conclusion 】With the survey and identification of rich documents, the author expands the identification methods of text knowledge contents,and provides the effective support to the coming deep knowl⁃ edge ana