基于自动机理论的pdf文本内容抽取

？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%。