第3章 文本处理技术.pdf

第3章 文本处理技术 本章概述 本章的学习目标 主要内容 多媒体技术及应用 第3章 文本处理技术 第1页 本章概述  文本(Text)是多媒体信息最基本的表示形式之一，可以清 楚、准确地表达思想，描述概念，叙述事实等。它是人们 最熟悉的信息表示方式，例如，文章，书等都以文本形式 出现。  文本的最显著的特点是在组织上是线性的和顺序的。在计 算机系统中，文字和数值都是用二进制编码表示的，文字 信息和数值信息统称为文本信息。  与其他媒体相比，文本是最容易处理、占用存储空间最 少、最方便利用计算机输入和存储的媒体。  本章主要介绍了文本的基本知识，文本的获取及处理。 多媒体技术及应用 第3章 文本处理技术 第2页 本章的学习目标  理解文本的基本知识  掌握常用的文本获取方法  熟练掌握文本的编辑  掌握电子图书的制作 多媒体技术及应用 第3章 文本处理技术 第3页 主要内容 3.1 文字信息在计算机中的表示 3.2 文本的类型 3.3 获取文本信息 3.4 处理文本信息 3.5 本章小结 多媒体技术及应用 第3章 文本处理技术 第4页 3.1 文字信息在计算机中的表示  文本是以文字和各种专用符号表达的信息形式， 它是现实世界中使用的最多的一种信息存储和传 递方式，主要用于对信息的描述性表示。  计算机系统通过指定的二进制编码来存储数字、 字母和其它字符。因此，要想在计算机中表示文 字信息，需要将文字用二进制编码的形式表示出 来。  在计算机系统中，西文字符和汉字的编码方式是 不同的。 多媒体技术及应用 第3章 文本处理技术 第5页 3.1.1 西文编码  ASCII码 ►西文采用ASCII码(American Standard Code for Information Interchange，美国信息交换标准代码)表 示，包括数字、字母、特殊符号等。 ►ASCII码用7位二进制数表示一个字符，共能表示 27=128个不同的字符，包括了计算机处理信息常用的 26个英文大写字母A-Z ，26个英文小写字母a-z，数字 符号0-9，算术与逻辑运算符号、标点符号等。  扩展ASCII码 多媒体技术及应用 第3章 文本处理技术 第6页 3.1.2 汉字编码 ●国标码 ●区位码 ●机内码 ●输入码 多媒体技术及应用 第3章 文本处理技术 第7页 国标码  我国国家标准局于1981年5月颁布了《信息交换 用汉字编码字符集——基本集》，代号为GB 2312-1980，是国家规定的用于汉字信息处理使 用的代码依据，这种编码称为国标码。  由连续两个字节组成。在国标码字符集中共收录 6763个常用汉字和682个数字和图形字符，其中 一级汉字3755个，按拼音顺