我目前正在尝试从商业文档（如账单）中提取信息，例如发件人或收件人。这些文档已通过OCR软件处理成XML文件，因此它们带有格式特征的注释。我希望在手动标注了一个类似文档的特征（如发件人和收件人）后，能够从新文档中提取特定信息。

所以我的问题是，是否存在一种学习或匹配算法，能够通过与一两个类似文档的示例进行比较来提取特定数据。如果有的话，是否有Java框架能够实现这一点？

感谢您

maggu

回答：

如果XML结构始终相同（使用相同的模板）：

只需保存所选节点的XML父节点，这些节点是信息所在的位置，这样您就知道通往信息的路径。这不应该是个问题 – 这是一个简单的任务。

如果您需要搜索信息：

可以通过创建某些特征提取规则，然后使用这些特征来训练支持向量机，以检测信息所在的区域。

我曾经问过一个类似的问题 Algorithm to match natural text in mail。

但这远非简单，肯定需要不止一两个训练文档。