基于自动机理论的PDF文本内容抽取  

Extraction of text content from PDF documents based on automaton theory

作　　者：王晓娟[1,2] 谭建龙[2] 刘燕兵[2,3] 刘金刚[1,2] 

机构地区：[1]首都师范大学计算机科学联合研究院,北京100037 [2]中国科学院计算技术研究所,北京100190 [3]中国科学院研究生院,北京100049

出　　处：《计算机应用》2012年第9期2491-2495,共5页journal of Computer Applications

基　　金：国家自然科学基金资助项目(61070026);国家863计划项目(2011AA010705)

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%。The existing methods of extracting text content from a PDF file, such as the one adopted by the PDFBox library, are not efficient enough to handle the high-speed network traffic. Moreover, these methods cannot extract the contents streamingly from partial PDF packets in transfer. This paper proposed a new method based on automaton theory. The method adopted a hierarchical keyword Deterministic Finite Automaton （DFA） to extract information from complete or incomplete PDF files. The experimental results show that the response time of the proposed method is about 17% - 37% of the algorithm used by PDFBox when processing PDF files in Chinese or English.

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 

分 类 号：TP311.52[自动化与计算机技术—计算机软件与理论]