基于自动机理论的PDF文本内容抽取

• 作者: 刘燕兵 刘金刚 王晓娟 谭建龙
• 来源期刊: 计算机应用
• 学科: 工学
• 关键词: 文本内容抽取 自动机 确定的有穷自动机 不完整文档
• 年，卷（期）: 2012,（9）
• 所属期刊栏目: 数据库技术
• 页码范围: 2491-2495
• 分类号: TP311.52
• 字数: 5000字
• 语种: 中文
• DOI: 10.3724/SP.J.1087.2012.02491

摘要

现有的从PDF文档抽取文本内容的方法(如PDFBox类库采用的方法)处理速度较低,无法满足高速网络中内容分析的需求,也不能对网络中部分到达的PDF数据包进行流式的处理.为此,提出了基于自动机理论的PDF文本内容抽取方法.该方法通过建立具有层次的关键字自动机,可以快速地抽取完整PDF文档和不完整PDF文档中的文本内容.在中文和英文PDF文档数据集下的实验结果表明,基于自动机理论的PDF文本内容抽取方法耗时仅为PDFBox方法的17％ ～37％.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	刘金刚	首都师范大学计算机科学联合研究院	92	985	18.0	26.0
5	谭建龙	中国科学院计算技术研究所	43	444	11.0	19.0
6	王晓娟	首都师范大学计算机科学联合研究院	9	41	4.0	6.0
8	刘燕兵	中国科学院计算技术研究所	20	149	7.0	11.0