%0 Journal Article %T 基于自动机理论的pdf文本内容抽取 %A 王晓娟 %A * %A 谭建龙 %A 刘燕兵 %A 刘金刚 %J 计算机应用 %D 2012 %X ?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%。 %K 文本内容抽取 %K 自动机 %K 确定的有穷自动机 %K 不完整文档 %U http://www.joca.cn/CN/abstract/abstract15701.shtml