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:
    非结构化文件分析的三种场景_第1张图片

  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。

你可能感兴趣的:(产品规划)