【摘要】 本发明涉及一种基于文字流的文章元数据信息自动抽取方法及系统，属于 信息识别与提取的技术领域。现有技术中，一般是重新录入这些元数据信息， 或从版面文件中手工复制粘贴已经存在的文字信息，处理效率低，且容易出错。 本发明所述的方法及系统根据元数据在文字流中的特征信息，采用正则表达式 模板匹配的方式抽取文章元数据。采用本发明所述的方法及系统，针对刊物的 排版规律进行元数据信息的匹配和自动提取，只需简单的人工验证准确性，加 快了信息提取速度。 【专利类型】发明申请 【申请人】北大方正集团有限公司; 北京方正阿帕比技术有限公司 【申请人类型】企业 【申请人地址】100871北京市海淀区成府路298号方正大厦 【申请人地区】中国 【申请人城市】北京市 【申请人区县】海淀区 【申请号】CN200810119832.X 【申请日】2008-09-11 【申请年份】2008 【公开公告号】CN101673256A 【公开公告日】2010-03-17 【公开公告年份】2010 【授权公告号】CN101673256B 【授权公告日】2012-10-31 【授权公告年份】2012.0 【IPC分类号】G06F17/22; G06F17/30 【发明人】董宁; 任大勇; 朱兴 【主权项内容】1.一种基于文字流的文章元数据信息自动抽取方法，包括以下步骤： (1)编写配置文件及脚本文件，将不同刊物的配置文件及脚本文件放入该 刊物的配置目录下； (2)加载配置文件，系统读取每个刊物的配置文件，根据配置文件中记录 的信息，获得脚本文件的路径及相关脚本函数信息； (3)加载脚本内容到引擎：系统将脚本文件中的脚本函数内容读取到脚本 引擎中并加以解析； (4)通过界面进行提取操作：通过界面操作，将待抽取的文章内容以文字 流的形式传给脚本文件中的正则表达式模板，进行信息提取； (5)正则表达式匹配：系统调用相关脚本函数，接收传入的文字流，根据 事先设置的抽取级别或阈值，调用不同的正则表达式模板对文字流进行筛选与 匹配，获取结果以文字流形式进行保存； (6)返回匹配结果并给与提示：脚本文件将匹配的结果元数据以文字流形 式返回系统，系统通过在界面上设置特殊标志，给与用户提示，方便用户进行 人工验证。 【当前权利人】新方正控股发展有限责任公司; 北京方正阿帕比技术有限公司 【当前专利权人地址】广东省珠海市横琴新区华金街58号横琴国际金融中心大厦3007; 北京市海淀区花园路2号牡丹科技大厦B座5层502 【专利权人类型】其他有限责任公司; 有限责任公司 【统一社会信用代码】91110108101974963M; 91110108787754390J 【被引证次数】23 【被自引次数】5.0 【被他引次数】18.0 【家族引证次数】2.0 【家族被引证次数】23
