一种非结构化文本相似性判断的方法及系统

摘要

一种非结构化文本相似性判断的方法及系统属于数据处理技术领域，尤其涉及一种非结构化文本相似性判断的方法及系统。本发明提供一种非结构化文本相似性判断的方法及系统。本方案具体实施步骤如下：1.输入非结构化数据。该非结构化数据可以是来自于网络爬虫的网页或word文档等。2.文本抽取。从非结构化数据中提取文本信息。此步骤采用apache tika（apache组织开源文本抽取组件）进行文本内容的抽取，可兼容多种格式的文本内容抽取，如excel、pdf、xml、json、markdown等，该步骤最终输出抽取后的txt文件。