0

我们需要从非结构化来源（如信件、rad 报告等）中提取暗数据。请建议使用 azure 资源从常见文档格式中提取数据：DOC、DOCX、PDF、RTF、TXT、HTML 等，然后进行分析关于提取的数据。

4

1 回答 1

0

听起来您只想从这些富文本格式的文档中提取原始文本或图像。如果只做这些，一些解析不同文档的库才是你真正的需要。

这里有一些 Java 或 Python 库可以做到这一点。如果您使用的是我不熟悉的 .NET，您可以在 Google 或 Bing 中搜索以找到 .NET 的这些替代方案。

  1. 像 DOC 一样解析 office 文档，DOCX：for Java，Apache POI是一个很好的从 MS office 文件中提取数据的库；对于 Python，似乎没有任何包可以做到这一点，除了在 Windows 上的 .NET 中使用 COM 对象Word.Application或IronPython（在 Python 中读取/写入 MS Word 文件）。
  2. 解析 PDF 文件：有Apache PDFBox,jPDFText用于 Java 和PyPDF2Python。
  3. 读取 RTF 格式文件：Java 原生支持javax.swing.text.rtf.RTFEditorKit通过搜索获取​​示例代码；像 #1 一样，对于 Python 来说似乎也没有。
  4. 解析 HTML 文件：jsoup对于 Java 和BeautifulSoup&HTMLParser对于 Python，最适合从 HTML 中提取数据。
  5. 对于阅读TXT格式文件，我认为任何语言都很简单。但是要从文本内容中提取有价值的信息，Stanford NLP对于 Java 和NLTKPython 来说是有用的，使用认知服务的 Azure文本分析 API也可以帮助执行一些关键短语提取和语言检测等操作。
  6. 用于内容分析的 Apache Tika 工具包也是一个很好的解决方案。甚至您可以单独部署它并通过 Python 和其他语言调用它的 REST API。
  7. 如果要从图像中提取文本，可以使用认知服务的 Azure计算机视觉 API提取打印文本或手写文本，或者使用第三方库，例如Tess4J在 GitHub 中搜索的其他库。

以上所有几乎都依赖于没有 Azure 资源的第三方开发工具包。但是，您可以将这些文档存储在 Azure 存储中并在 Azure VM 或 Batch 服务上进行处理，甚至可以分析 Azure Jupyter Notebook 中的提取数据或使用 Azure ML 进行更深入的研究。

于 2019-03-15T04:40:46.937 回答