非结构化文件分析的三种场景

对pdf（或其它非结构化文件）的分析场景可以归纳为以下几种：

1. 全文检索。基于solr或ES搜索引擎组件，对文件内容建立索引，通过关键字对文件进行检索；

2. 结构化分析。把pdf文件内容转换为文本，提取内容中的关键属性，比如，标题、来源等，建立表结构模型支持后续的统计分析。下面是项目中所做的一个案例：
   

3. 语义分析。在上面结构化分析的基础上更进一步，对其内容进行分词、词性标注、命名实体识别等处理，从而可以支持舆情分析、文档主题发现等功能；

上面第2和第3个场景的区别主要是对文件的处理深度不同，前者只需要对文件做简单的结构化解析即可，不需要用到更多的语义分析方面的技术，可以满足一般的分析需求；后者则需要更多的分词、词性、热词等技术，但能支持的分析场景会更丰富，也是非结构化分析的最终目标。