非结构化表格文档数据抽取与组织模型研究

摘要：

针对现有文档数据抽取方法无法抽取多值属性且灵活性不高的问题,提出了一种面向非结构化表格文档的数据抽取方法与组织模型.在分析文档结构特征和数据流特征的基础上,定义了数据流生成基本规则,给出了一个基于规则的数据抽取流程,包括逻辑结构抽取、文档预处理、数据抽取和数据组织等主要步骤,设计实现了单值区域与多值区域数据抽取算法;从文档中抽取的数据被组织成适合于MapReduce分析的结构化数据模型,该模型能够为大数据分析提供模型支持.实验结果表明:该抽取方法具有较高的准确率与召回率,数据组织模型也能够有效地支持大数据分析.

关键词：非结构化表格文档、数据抽取、结构化数据模型、数据分析

所属期刊栏目：44

分类号：TP391(计算技术、计算机技术)

资助基金：浙江省钱江人才计划D类项目QJD1302009;浙江省重大科技专项资助项目2014C01408

在线出版日期：2016-11-15（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：487-494