文档下载 文档下载导航
设为首页 | 加入收藏
搜索 请输入内容:  
 导航当前位置: 文档下载 > 所有分类 > 高等教育 > 工学 > 基于XML的PDF文档内容与结构的表示的实现
侵权投诉

基于XML的PDF文档内容与结构的表示的实现

基于XML的PDF文档内容与结构的表示的实现

基于!"#的$%&文档内容与结构的表示的实现

葛一兵

余智华

(中国科学院计算技术研究所软件研究室,北京%"""S")

TO51A2:C’M(U@.Q0<1/’$A30$13$36

摘

要

在对网络信息资源进行检索、过滤、提取的过程中,对于文档格式的转换是进行信息处理的必然途径。将+,-

文档转换为=>?文档,在对分析+,-文档的内容和结构方面具有重要意义。论文介绍了从+,-文档向=>?文档转换的设计和实现原理。关键词

+,-=>?文档转换

文献标识码7

中图分类号R+D%!

(!""#)文章编号%""!OSDD%O%#O"%!"O"D

’()*+,)-+././’(01(2(/-)-+./.3-4(5./-(/-2)/67-189-81(.3$%&%.98:(/-2;)2(6./!"#

<(=+;+/>=8?4+48)

(L.Q0<1/’,AVA@A.6,H6@0A040’.QE.5:40A6CR’396.2.CM,E9A6’@’7318’5M.QL3A’63’@,I’AGA6C%"""S")

@;2-1)9-:,.345’600/16@Q./510A.615.6C8AQQ’/’608.345’60Q./510A@16’3’@@1/M1::/.1390.A6Q./510A.6/’0/A’V12,QA20’/A6C168’W0/130A.6$=>?,.345’6091@(’’616.:’6@01681/8A609’’W3916C’.Q8101A68AQQ’/’600M:’@168QA’28@A609’<’($R/16@Q./510A.6Q/.5+,-0.=>?A@6’3’@@1/MQ./1612M@A6C09’3.60’60@168@0/4304/’.Q+,-8.345’60@$R9A@:1:’/8A@34@@’@8’@AC6168/’12AX10A.6.Q09’8.345’600/16@Q./510A.6Q/.5+,-0.=>?$A(BC.162:+,-,=>?,8.345’600/16@Q./510A.6

%引言

随着&’(技术的发展,越来越多的信息呈现在用户面前。

数据相互交换的开放标准。支持互联网应用的传统数据与

=>?标记数据的互相转换也显得日益重要。

而+,-总之,=>?是适合于描述文件结构和内容的工具,更适合于维护电子化页面视图描述。因此为了更有效地利用文档进行下一步的工作比如内容提取,数据挖掘,信息过滤等等,有必要将+,-文档转换为=>?文档。

文章给出了一种从+,-文档向=>?文档转换的方法,主要针对文本内容的提取和文档篇章结构的实现。

本世纪初&&&上网页的数目就已超过了%"亿)#*。人们也越来越关注如何利用这些资源,因此对海量的信息资源的处理成为一个非常重要的问题。对网络信息资源开发利用,需要进行信息的分类、检索、过滤、提取等等操作。信息过滤指从动态的信息流中将满足用户兴趣的信息挑选出来,用户的兴趣一般在较长一段时间内不会改变。文本信息提取是指从一段文本中抽取指定的一类信息(例如事件、事实),并将其(形成结构化的数据)填入一个数据库中供用户查询使用的过程。所有对信息处理的操作都涉及到对文档内容的处理。但由于应用背景的不同,文档的组织方式和表现方式差别很大。为了实现文档内容的共享和协作,必须进行文档格式之间的转换。

(900::+,-(+./01(2’,.345’60-./510)是78.(’公司;;开发的一种电子文档格式,它可以将文字、字<<<$18.(’$3.5)

型、格式、颜色、图形图像、超文本链接、声音、动态图像等信息封装在一个文件当中。+,-采用了工业标准的压缩算法,易于传输与储存。各页相互独立,可以单独处理各页,特别适合多处理器系统的工作。

(’=0’6@A(2’>1/B4:?16C41C’)是由&DE设计并推荐=>?

的标记语言,随着互联网应用需求以及相关支撑技术的发展,

!+,-文档的结构

要实现从+,-文档向=>?文档的转换,必须先了解+,-的结构。+,-文件是通过一系列对象序列来构造的。+,-对象和间接对象(H68A/’30F(G’30)。直包括直接对象(,A/’30F(G’30)接对象有如下几种基本类型:布尔型(I..2’16)、数值型(J45K、字符串型(L0/A6C)、名字型(J15’)、数组型(7//1M)、字典型(’/)

(,A30A.61/M)、空对象(J422)、流对象(L0/’15)。间接对象是经过标识了的+,-对象,目的是为了让其它+,-对象引用。

文件头、文件主体、交叉引+,-的文件结构分为四个部分:

用表和文件尾。文件头(N’18’/)说明了该+,-文件的版本号。文件主体(I.8M)由一系列的+,-间接对象组成。这些间接对页面、图像等等。交叉象构成了+,-文件的具体内容如字体、

引用表(E/.@@OP’Q’/’63’R1(2’)则是为了能对间接对象进行随机存取而设立的一个间接对象的地址索引表。文件尾(R/1A2’/),还声明了交叉引用表的地址,指明文件体的根对象(E1012.C)

=>?已经成为互联网环境中数据描述和网上应用系统间数据

交换事实上的标准。=>?的元语言特性及其本身良好的结构性使它已经成为互联网异构环境中各种不同类型和不同领域

作者简介:葛一兵(%YZSO),男,硕士研究生,主要研究方向:信息检索,文档格式处理。余智华(%YZ#O),男,博士研究生,项目主管,主要研究方向:

%!"!""#$%#计算机工程与应用

第1页

TOP相关主题

你可能喜欢

  • PDF文档格式
  • PDF文件
  • PDF阅读器
  • 系统设计文档
  • 内容管理系统

热门文档

站点地图 | 文档上传 | 侵权投诉 | 手机版
本站所有资源均来自互联网,本站只负责收集和整理,均不承担任何法律责任,如有侵权等其它行为请联系我们.
文档下载 Copyright 2013 doc.guandang.net All Rights Reserved.  -  email