非结构化表格文档数据抽取与组织模型研究-浙江工业大学学报.pdfVIP

第 卷第 期 浙江工业大学学报 Ｖｏｌ．４４Ｎｏ．５ ４ ５ ４ 年 月 ＯＵＲＮＡＬ ＯＦＺＨＥＪＩＡＮＧＵＮＩＶＥＲＳＩＴＹ ＯＦＴＥＣＨＮＯＬＯＧＹ ｃｔ．２０１６ ２ Ｊ Ｏ ０１６ １０ 　 　 　 　 　 非结构化表格文档数据抽取与组织模型研究 ， ， １ ２ １ １ １ １ ２ ， ， ， ， 张元鸣 陈 苗 陆佳炜 徐 俊 肖 刚 　 　 　 （ 浙江工业大学 ， ； １ 计算机科学与技术学院 浙江杭州 ． １００２３ ３ 浙江工业大学 ， ） ２． 机械工程博士后流动站 浙江杭州 １００１４ ３ 摘 ： ， 要 针对现有文档数据抽取方法无法抽取多值属性且灵活性不高的问题 提出了一种面向非结构 ， 化表格文档的数据抽取方法与组织模型 在分析文档结构特征和数据流特征的基础上 定义了数据 ． ， ， 、 、 流生成基本规则 给出了一个基于规则的数据抽取流程 包括逻辑结构抽取 文档预处理 数据抽取 ， ； 和数据组织等主要步骤 设计实现了单值区域与多值区域数据抽取算法 从文档中抽取的数据被组 ， 织成适合于ＭａＲｅｄｕｃｅ分析的结构化数据模型 该模型能够为大数据分析提供模型支持 实验结 ｐ ． ： ， 果表明 该抽取方法具有较高的准确率与召回率 数据组织模型也能够有效地支持大数据分析． ： ； ； ； 关键词 非结构化表格文档 数据抽取 结构化数据模型 数据分析 中图分类号： 文献标志码： 文章编号： ４ （ ） ０ ０ ＴＰ３９１ ００６ ３０３２０１６０５ ４８７ ８ Ａ