|
1.
基于自动机理论的PDF文本内容抽取
王晓娟 谭建龙 刘燕兵 刘金刚
计算机应用
2012, 32 (09):
2491-2495.
DOI: 10.3724/SP.J.1087.2012.02491
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%。
参考文献 |
相关文章 |
多维度评价
|
|