【发布时间】：2012-07-18 04:03:49
【问题描述】：
我目前正在撰写论文，该应用程序将使用自然语言问答。我已经阅读了一些关于自然语言问答的想法并关注了讨论，但我似乎找不到好的答案。
问题：如何从 PDF、纯文本或 MS Word 文件中获取答案？
如果我想在 PDF 文件中搜索主题，我会使用 Ctrl+F 来查找主题/想法，但它不会返回所有细节;就像目录一样，它会给出一章的起始页和结束页。这就是我想要的逻辑。它将在不使用页码或编号的情况下确定章节的结束位置。有没有算法可以做到这一点？
【问题讨论】：
-
为了简单起见，我认为您应该避免使用 PDF 文件，因为格式可能非常复杂。有一些工具可以从中提取信息，但据我所知，它们都非常昂贵。如果可以的话，坚持使用好的旧 .txt 文件。
-
当然，您可以在 Acrobat Reader 中进行“搜索”；) 有许多开源和商业库可以读取 .PDF，包括 Adobe PDF SDK、GnuPdf 和 PdfBox。跨度>
-
Laurent 是正确的 - 如果你没有有使用.pdf，那么肯定使用明文，而不是;)
-
是的，我想改用 .txt 文件，但我要使用的文件是 150 页的 PDF 文件。所以如果我想要一个 .txt 文件，我必须将 PDF 复制到 .txt？
-
这个问题是关于 (a) 如何将 PDF 转换为纯文本，(b) 如何将包括 PDF 和 MS Word 在内的各种格式转换为纯文本，(c) 如何制作主题搜索/语义模糊搜索算法，或者 (d) 如何将这样的算法构建到 PDF 查看器中？ (a) 由标题暗示，(b) 由中间的粗体部分暗示，(c) 和 (d) 由最后部分暗示。
标签： algorithm nlp artificial-intelligence