基于规则的文档内容挖掘器

摘要

本发明提供一种将web、文本、PDF、WordML、RTF、Excel、PowerPoint、MicrosoftWord、FrameMaker等格式文件转换成具有语义的可扩展标记语言的装置和实现方法。本装置，即可扩展标记语言集中器，由预处理器、规则引擎和后处理器等三个部分组成。本装置的预处理器由各种数据文件的驱动器组成，通过数据文件驱动器读取文件内容，然后将文件内容自动处理成一种可操作的可扩展标记语言形式，记为Processible Extensible Markup Language，简称pXML。pXML对数据内容起到归整作用。规则引擎是用已定义好的规则来解析和规整pXML内容。这些规则预先定义在数据文档所对应的标准的转换映射模板中。在后处理器中，用可扩展样式语言或另外标准的转换映射模板来把规整后的pXML转换成最终的具有语义功能的可扩展标记语言。

主权项

1.将非结构化的文档内容转换成具有语义的XML的方法包括步骤：1)通过各种文件对应的驱动器来解析文件内容，然后将文件内容自动预处理成pXML，一种可扩展标记语言形式。将文本内容转换成pXML的目的是归整文档内容。非结构化文档的驱动器包括web文件驱动器、PDF文件驱动器、WordML文件驱动器、RTF文件驱动器、Excel文件驱动器、PowerPoint文件驱动器、Word文件驱动器、Latex文件驱动器和FrameMaker驱动器。2)用文档所对应的映射模板中的映射规则来解析pXML内容，并提取成标准的、具有语义功能的文档内容，并用如DocBook XML，Legal XML等扩展标记语言形式来表示。3)用文档所对应的XSLT或外部程序把标准的XML或pXML转换成html、WML等显示格式，以供浏览器终端或阅读器阅读。非结构化文档在转换成具有语义功能的XML时，可根据实际需要来选择以上三个转换步骤。若为了非结构化数据的规整和显示，仅用第一、第三步就可完成。若为了同其它数据保持统一的接口，仅用第一、第二步就可完成。而若为了以某种指定的数据格式的显示和深入分析，则需完成以上三个步骤。