网络科技信息监测中富文档识别与信息提取技术研究  

Identification and Information Extraction of Rich Documents for Web Scientific Information Monitoring

作　　者：张敏[1,2] 刘建华[1,2] 谢靖[1] 

机构地区：[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

出　　处：《情报科学》2017年第1期128-132,共5页Information Science

基　　金：中国科学院文献情报能力建设专项(院1509);教育部人文社科基金(14YJC870029)

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。【Purpose/significance】This paper focuses on the practical application of the identification of the rich documentcarrier, 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 authorexpands the identification methods of text knowledge contents,and provides the effective support to the coming deep knowl-edge analysis.

关 键 词：富文档 元数据 类型识别 

分 类 号：G254.97[文化科学—图书馆学]