文本与文本处理PPT课件.ppt

《文本与文本处理PPT课件.ppt》由会员分享，可在线阅读，更多相关《文本与文本处理PPT课件.ppt（50页珍藏版）》请在三一文库上搜索。

1、第第5章章 数字媒体及应用数字媒体及应用5.1 文本与文本处理文本与文本处理 5.2 图像与图形图像与图形 5.3 数字声音及应用数字声音及应用5.4 数字视频及应用数字视频及应用25.1 文本与文本处理5.1 文本与文本处理文本与文本处理 5.1.1 字符的编码字符的编码5.1.2 文本准备文本准备5.1.4 文本编辑、排版与处理文本编辑、排版与处理5.1.5 文本的展现文本的展现 5.1.3 文本的分类文本的分类与表示与表示35.1 文本与文本处理文字处理是计算机应用的基础文字处理是计算机应用的基础n计算机应用使用计算机进行信息处理计算机应用使用计算机进行信息处理n其中，其中，文字信息处理

2、是涉及面最广的一种计算机文字信息处理是涉及面最广的一种计算机应用，几乎与任何领域任何人都有关。应用，几乎与任何领域任何人都有关。文字文字数值数值语言语言音乐音乐图像图像信息的形态有多种信息的形态有多种45.1 文本与文本处理写作写作编辑编辑排版排版印刷印刷发行发行写作写作传统的文字处理过程传统的文字处理过程55.1 文本与文本处理计算机文字处理过程计算机文字处理过程n文字信息在计算机中称为文字信息在计算机中称为“文本文本”（text），文本是计算机中最），文本是计算机中最常用的一种数字媒体常用的一种数字媒体n文本由一系列文本由一系列“字符字符”（character）组成，每个字符均使用二）组成

3、每个字符均使用二进制编码表示进制编码表示n文本在计算机中的处理过程是：文本在计算机中的处理过程是：（文本编辑器文本编辑器）文本编辑文本编辑与排版与排版格式化的格式化的电子文本电子文本（2）文本文本展现展现（文本阅读器文本阅读器）（5）文本处理文本处理（文本处理软件文本处理软件）（3）文本准备文本准备电子文电子文本本（1）（文字与图表文字与图表 的输入的输入）文本存储文本存储与传输与传输（4）(存档存档/通信软件通信软件)65.1 文本与文本处理5.1.1.字符在计算机中的表示字符在计算机中的表示 75.1 文本与文本处理字符、字符集及其码表字符、字符集及其码表 n文字的基本元素是字母和符号，

4、统称为文字的基本元素是字母和符号，统称为“字符字符”(character)，它包括：字母、数字、标点、符号等，它包括：字母、数字、标点、符号等n字符集：一组特定字符的集合字符集：一组特定字符的集合n不同的字符集包含的字符数目与内容不同，如：不同的字符集包含的字符数目与内容不同，如：中文字符集、西文字符集、日文字符集等中文字符集、西文字符集、日文字符集等n字符的编码：字符的编码：n字符集中每个字符都使用二进位字符集中每个字符都使用二进位(code)表示，称为该字符的表示，称为该字符的编码编码n不同的字符其编码各不相同不同的字符其编码各不相同n字符集中所有字符的编码的一览表，称为该字符集的码表字符

5、集中所有字符的编码的一览表，称为该字符集的码表85.1 文本与文本处理西文字符的编码西文字符的编码ASCII码码n西文是表音文字西文是表音文字(拼音文字拼音文字)，它由拉丁字母、数字、标点符，它由拉丁字母、数字、标点符号以及一些特殊符号所组成号以及一些特殊符号所组成n美国标准信息交换码美国标准信息交换码(American Standard Code for Information Interchange,简称简称ASCII码码)：nASCII字符集包含字符集包含96个可打印字符和个可打印字符和32个控制字符个控制字符n采用采用7个二进位进行编码个二进位进行编码n计算机中使用计算机中使用1个字节

6、存储个字节存储1个个ASCII 字符字符n存在问题：存在问题：n7位代码空间太小（只能对位代码空间太小（只能对128个字符编码）个字符编码）n不同国家和地区使用不同的字符集及其编码，互不兼容不同国家和地区使用不同的字符集及其编码，互不兼容n东亚地区使用的大字符集无法编码东亚地区使用的大字符集无法编码95.1 文本与文本处理标准标准ASCII字符集及其码表字符集及其码表 b6 b5 b4 b3 b2 b1 b0 012345670 1 2 3 4 5 6 7 8 9 A B C D E Fb6b5b4b3b2b1b00 1 1 01 0 01 1 0 1 0 1 1105.1 文本与文本处理汉字

7、如何编码？汉字如何编码？n汉字是记录汉语（国语，华语）的文字，属于表意汉字是记录汉语（国语，华语）的文字，属于表意文字，它用符号直接表达词或词素文字，它用符号直接表达词或词素n汉字的特点汉字的特点n数量大；多个国家和地区使用；字形复杂，同音字数量大；多个国家和地区使用；字形复杂，同音字多，异体字多多，异体字多n如何编码？如何编码？n确定收入多少字、哪些字？确定收入多少字、哪些字？n汉字在字符集中的排序方式汉字在字符集中的排序方式n确定使用的代码结构和代码空间确定使用的代码结构和代码空间115.1 文本与文本处理常用的汉字编码字符集常用的汉字编码字符集n国家标准国家标准GB2312n汉字扩充规范

8、汉字扩充规范 GBKn国家标准国家标准GB18030n台湾地区的标准汉字字符集台湾地区的标准汉字字符集CNS 11643(BIG 5，俗称俗称“大五码大五码”)n日本工业标准汉字字符集日本工业标准汉字字符集JIS X 0208-90n韩国国家标准汉字字符集韩国国家标准汉字字符集KSC 5601-87125.1 文本与文本处理一级汉字一级汉字（3755个）个）二级汉字二级汉字（3008个）个）（扩充使用）（扩充使用）字母、数字和各种符号字母、数字和各种符号 19423位号位号 191655568794区区 号号(按汉语拼音排列按汉语拼音排列)(按偏旁部首排列按偏旁部首排列)GB2312汉字编码字

9、符集汉字编码字符集n1980年颁布年颁布信息交换用汉字编码字符集信息交换用汉字编码字符集基本基本集集GB2312-1980nGB2312字符集由三个部分构成：字符集由三个部分构成：拉丁字母、俄文、拉丁字母、俄文、日文平假名与片日文平假名与片假名、希腊字母、假名、希腊字母、汉语拼音等共汉语拼音等共682个个共共6763个汉字和个汉字和682个符号，个符号，每个每个汉字或符号都有一汉字或符号都有一个确定位置，该位个确定位置，该位置的区号和位号就置的区号和位号就是这个汉字的是这个汉字的“区区位码位码”（注：区位码仅用于在键盘上输入汉字）（注：区位码仅用于在键盘上输入汉字）135.1 文本与文本处理G

10、B2312汉字的编码汉字的编码n每一个每一个GB2312汉字使用汉字使用16位位(2个字节个字节)表示表示n每个字节的最高位均为每个字节的最高位均为“1”n在在16位代码空间中的码位分布：位代码空间中的码位分布：第第1字字节节第第 2字节字节00 7E A1 FE0081A1FEGB2312图形符号图形符号汉字代码空间汉字代码空间（6763个汉字）个汉字）B0F716位的代位的代码空间共码空间共有有216 65536个个码位码位145.1 文本与文本处理GB2312汉字编码的不足之处汉字编码的不足之处nGB2312汉字字数太少，无法满足一些特殊应汉字字数太少，无法满足一些特殊应用的需要：用的需

11、要：n人名、地名；人名、地名；n古籍整理、古典文献研究。古籍整理、古典文献研究。n没有繁体字没有繁体字n编码效率不高编码效率不高:(6763+682)/65536n与与ASCII码不兼容码不兼容155.1 文本与文本处理标准标准名称名称GB2312GBKGB18030UCS-2(Unicode)字符字符集集6763个汉个汉字字(简体字简体字)21003个汉个汉字（包括字（包括GB2312汉汉字在内）字在内）27 000多多汉字汉字(包括包括GBK汉字汉字和和CJK及及其扩充中其扩充中的汉字的汉字)包含包含10万字符，万字符，其中的汉字与其中的汉字与GB18030相相同同编码编码方法方法双字节存

12、双字节存储和表示，储和表示，每个字节每个字节的最高位的最高位均为均为“1”双字节存双字节存储和表示，储和表示，第第1个字节个字节的最高位的最高位必为必为“1”部分双字部分双字节、部分节、部分4字节表字节表示示(1)UTF-8单字节可变单字节可变长编码长编码(2)UTF-16双字节可变双字节可变长编码长编码兼容兼容性性编码编码不兼容！不兼容！几种汉字编码的对比几种汉字编码的对比GBK00 FF00FF20902汉字00 FF00FF6763汉字GB231200 FF00FF27484汉字GB18030编码保持向下兼容编码保持向下兼容165.1 文本与文本处理背景材料：背景材料：UCS/Unico

13、den解决多文种信息处理方法的发展：解决多文种信息处理方法的发展：n传统方法（传统方法（ISO）：扩展）：扩展ASCII码码n微软的方法：代码页切换微软的方法：代码页切换nUCS/Unicode：所有文字字母和符号集中在同一字符集进行统一编码：所有文字字母和符号集中在同一字符集进行统一编码(目目前收集了前收集了17x2161,114,112 个个)nUCS/Unicode的编码方案：的编码方案：n尽量与已有编码标准兼容尽量与已有编码标准兼容n先实现部分字符的编码（先实现部分字符的编码（101,000个）个）n允许有若干不同的编码方案允许有若干不同的编码方案,例如：例如：单字节：单字节：ASCI

14、I字符字符双字节：拉丁、希腊、阿拉伯，双字节：拉丁、希腊、阿拉伯，三字节：三字节：CJK汉字汉字四字节：其他四字节：其他Unicode:UTF-8 单字节可变长编码单字节可变长编码应用：应用：Linux，Web网页，电子邮件网页，电子邮件双字节：双字节：ASCII字符、拉丁、希腊、阿字符、拉丁、希腊、阿拉伯，常用拉伯，常用CJK汉字，汉字，四字节：四字节：CJK汉字汉字Unicode:UTF-16双字节可变长编码双字节可变长编码应用：应用：Windows，Mac，Java，175.1 文本与文本处理背景材料：背景材料：GB18030n无论是无论是Unicode的的UTF-8还是还是UTF-16

15、其，其CJK汉字字符集虽然覆盖了汉字字符集虽然覆盖了我国已使用多年的我国已使用多年的GB2312和和GBK标准中的汉字，但它们的标准中的汉字，但它们的编码并不编码并不相同相同n为了既能与为了既能与UCS/Unicode编码标准接轨，又能保护我国已有的大量汉编码标准接轨，又能保护我国已有的大量汉字信息资源，我国在字信息资源，我国在2000年和年和2005年两次发布年两次发布GB18030汉字编码国汉字编码国家标准家标准。nGB18030实际上是实际上是UCS/Unicode字符集的另一种编码方案：字符集的另一种编码方案：n单字节编码（单字节编码（129个）表示个）表示ASCII字符字符n双字节

16、编码（双字节编码（23940个）表示汉字，与个）表示汉字，与GBK（以及（以及GB2312）保持向）保持向下兼容下兼容n四字节编码（约四字节编码（约158万个）用于表示万个）用于表示 UCS/Unicode中的其他字符中的其他字符nGB18030目前已在我国信息处理产品中强制贯彻执行。目前已在我国信息处理产品中强制贯彻执行。185.1 文本与文本处理例例:IE浏览网页时文字编码的选择浏览网页时文字编码的选择195.1 文本与文本处理5.1.2.文本准备文本准备 文稿如何输入计算机文稿如何输入计算机 205.1 文本与文本处理文字符号输入计算机的方法文字符号输入计算机的方法键盘输入键盘输入自动识

17、别输入自动识别输入字符信息的输入字符信息的输入人工输入人工输入(1)数字编码数字编码,如电报码、区位码等如电报码、区位码等,(2)字音编码字音编码,如智能如智能ABC等等(3)字形编码，如五笔字形和表形码等字形编码，如五笔字形和表形码等,(4)形音编码形音编码发发展展趋趋势势：基基于于统统计计和和学学习习功功能能的的以以词词语语(短短语语)或或句句子子作作为为输输入入单单位的输入方法位的输入方法215.1 文本与文本处理文字符号输入计算机的方法文字符号输入计算机的方法键盘输入键盘输入联机手写输入联机手写输入自动识别输入自动识别输入字符信息的输入字符信息的输入人工输入人工输入优点：优点：自然，流

18、畅自然，流畅小型化，适合移动计算小型化，适合移动计算不足：不足：识别速度和正确性还需提高识别速度和正确性还需提高书写要求还要降低书写要求还要降低225.1 文本与文本处理文字符号输入计算机的方法文字符号输入计算机的方法键盘输入键盘输入联机手写输入联机手写输入语音输入语音输入自动识别输入自动识别输入字符信息的输入字符信息的输入人工输入人工输入优点：优点：自然，方便，适合移动计算自然，方便，适合移动计算不足：不足：对说话人、说话方式、说话内容的对说话人、说话方式、说话内容的适应能力要大适应能力要大大增强大增强识别速度和正确性还需大大提高识别速度和正确性还需大大提高235.1 文本与文本处理文字符号

19、输入计算机的方法文字符号输入计算机的方法印刷体识别印刷体识别键盘输入键盘输入联机手写输入联机手写输入语音输入语音输入自动识别输入自动识别输入字符信息的输入字符信息的输入人工输入人工输入扫描仪扫描仪OCR数字数字文本文本纸介质纸介质文本文本文本的文本的映象映象(image)识别率已达到率已达到98%功能功能:简、繁体字、繁体字混合识别混合识别中文、西文混合识别中文、西文混合识别文字、表格混合识别文字、表格混合识别智能校对功能智能校对功能245.1 文本与文本处理文字符号输入计算机的方法文字符号输入计算机的方法印刷体识别印刷体识别手写体识别手写体识别键盘输入键盘输入联机手写输入联机手写输入语音输入

20、语音输入自动识别输入自动识别输入字符信息的输入字符信息的输入人工输入人工输入 技术上非常困难，还无法实用技术上非常困难，还无法实用目前准备先突破工整的楷书手写体的识别目前准备先突破工整的楷书手写体的识别!255.1 文本与文本处理汉字的键盘输入汉字的键盘输入n 汉字与键盘上的键无法一一对应，因此必须使用汉字与键盘上的键无法一一对应，因此必须使用几个键来表示一个汉字，这就称为汉字的几个键来表示一个汉字，这就称为汉字的“键盘输键盘输入编码入编码”n 优秀的汉字键盘输入编码应具有的特点：优秀的汉字键盘输入编码应具有的特点：n易学习、易记忆易学习、易记忆n效率高效率高(平均击键次数较少平均击键次数较少

21、)n重码少重码少n容量大容量大(可输入的汉字字数多可输入的汉字字数多)265.1 文本与文本处理汉字键盘输入方法的比较汉字键盘输入方法的比较类型型原理原理举例例优点点缺点缺点数字数字编码使用一串数字来表使用一串数字来表示示汉字字电报码区位区位码仅使用使用10个个数字数字键难记忆字音字音编码把把汉语的拼音作的拼音作为汉字的字的输入入编码智能智能ABC紫光紫光微微软拼音拼音输入入简单易学，易学，适合于非适合于非专业人人员重重码多，需增加多，需增加选择操作，不会操作，不会汉语拼音或不知道拼音或不知道读音音时无法使用无法使用字形字形编码把把汉字的部件或笔字的部件或笔画作画作为码元，按照元，按照汉字字结

22、构及其切分构及其切分规则作作为编码依据，依据，确定每个确定每个汉字的字的输入代入代码五笔字形五笔字形表形表形码郑码重重码少、少、输入速度入速度较快，快，适合于适合于专业录入入员、打、打字字员使用使用缺乏缺乏统一的一的规范，范，编码规则不易掌握不易掌握音形音形编码(或形或形音音编码)采用字音及字形两采用字音及字形两种属性作种属性作为码元的元的汉字字编码输入方法入方法粤音粤音输入法入法 同上同上同同时要掌握音、形要掌握音、形两种取两种取码方法或方法或规则，对普通用普通用户比比较困困难275.1 文本与文本处理5.1.4 文本的编辑与排版文本的编辑与排版285.1 文本与文本处理复习：使用复习：使用

23、Word的操作流程的操作流程创建新文档或打开老文档创建新文档或打开老文档文稿输入文稿输入编辑编辑排版排版文档存盘、打印或发送文档存盘、打印或发送输入中西文字、符号输入中西文字、符号和图表和图表进行增、删、改操作，保进行增、删、改操作，保证文本的正确性证文本的正确性满足清晰、美观、便满足清晰、美观、便于使用等要求于使用等要求295.1 文本与文本处理n目的：确保文本内容正确无误目的：确保文本内容正确无误n操作：对字、词、句和段落进行添加、删除、修操作：对字、词、句和段落进行添加、删除、修改等操作改等操作nMS Word的功能：的功能：n在文本的任何位置都可以在文本的任何位置都可以插入插入新的文字

24、新的文字n从文本的任何位置都可以从文本的任何位置都可以删除删除不需要的文字不需要的文字n将一段文字从一处将一段文字从一处移动移动到另一处到另一处n将一段文字从一处将一段文字从一处复制复制到另一处到另一处n在文本中自动在文本中自动查找查找指定的词语指定的词语n用一个词语自动用一个词语自动替换替换文本中指定的词语文本中指定的词语文本编辑文本编辑(text editing)305.1 文本与文本处理n目的：使文本清晰、美观、目的：使文本清晰、美观、便于阅读便于阅读n操作内容：对文本中的字操作内容：对文本中的字符、段落乃至整篇文章的符、段落乃至整篇文章的格式进行设计和调整，分格式进行设计和调整，分成成

25、3个层次：个层次：n对字符格式进行设置对字符格式进行设置n对段落格式进行设置对段落格式进行设置n对文档页面进行格式设对文档页面进行格式设置置文本排版文本排版(格式化格式化)315.1 文本与文本处理设置字符的格式设置字符的格式n字号字号(八号八号 初号初号,5磅磅72磅以上磅以上)1 1磅相当于磅相当于1/721/72英寸英寸 n字体字体(宋体、宋体、楷体楷体、黑体黑体、仿宋仿宋、隶书隶书)n字符的修饰字符的修饰n字符的形状字符的形状(字形字形)：正常、加粗、加粗、倾斜、加粗倾斜加粗倾斜n字形的修饰：字形的修饰：下划线下划线、着重号、上下标、删除线、着重号、上下标、删除线n字符的颜色字符的颜色

26、n字符的宽度字符的宽度n字符的间距字符的间距n字符的效果字符的效果n字符的排列方向字符的排列方向Demo1325.1 文本与文本处理n什么是段落？用什么是段落？用“回车回车”相互隔开的一组文字相互隔开的一组文字n段落格式的设置：段落格式的设置：n段落的对齐方式段落的对齐方式(两端对齐、分散对齐、居中对齐、左对齐、两端对齐、分散对齐、居中对齐、左对齐、右对齐右对齐)n段落的缩进方式段落的缩进方式(首行缩进、悬挂缩进、左缩进、右缩进首行缩进、悬挂缩进、左缩进、右缩进)n段间距和段内行距段间距和段内行距n使用编号和项目符号使用编号和项目符号n段落段落添加边框和底添加边框和底纹纹n首字下首字下沉沉或悬

27、挂或悬挂n段落与分页的关系段落与分页的关系设置段落的格式设置段落的格式Demo2335.1 文本与文本处理控制段落的缩进控制段落的缩进n段落缩进是指段落中的文本到正文区左、右边界的距离，段落缩进是指段落中的文本到正文区左、右边界的距离，包括段落左缩进、右缩进和首行缩进。其缩进的距离可包括段落左缩进、右缩进和首行缩进。其缩进的距离可由水平标尺上对应的三个缩进标记来指示由水平标尺上对应的三个缩进标记来指示左缩进标记左缩进标记首行缩进标记首行缩进标记右缩进标记右缩进标记右缩进右缩进左缩进左缩进首行缩进首行缩进正文区正文区右边界右边界正文区正文区左边界左边界悬挂缩进悬挂缩进标标记记345.1 文本与文

28、本处理n页面格式的设置：页面格式的设置：n设置纸张大小和页边距设置纸张大小和页边距n设置每页的行、列数目设置每页的行、列数目n设置分栏数目与格式设置分栏数目与格式n设置页码设置页码n设置页眉和页脚设置页眉和页脚设置页面的格式设置页面的格式355.1 文本与文本处理设置页面的分栏设置页面的分栏365.1 文本与文本处理n“所所见见即即所所得得”（操操作作效效果果立立即即可可见，且且打打印印结果果与与屏屏幕所幕所见相同）相同）n撤销撤销(undo)和恢复和恢复(redo)操作操作n格式刷格式刷n多种视图多种视图(大纲视图与大纲编辑大纲视图与大纲编辑)n自动更正、自动套用格式、自动编号、自动图文集自

29、动更正、自动套用格式、自动编号、自动图文集 n自动保存功能和自动备份功能自动保存功能和自动备份功能n样式、模板和向导样式、模板和向导(wizard)功能功能n宏操作（宏操作（Macro）提高操作效率的若干措施提高操作效率的若干措施375.1 文本与文本处理文本处理初步文本处理初步385.1 文本与文本处理n使用计算机对文本中的字、词、短语、句子、篇章进行识别、转换、分析、理使用计算机对文本中的字、词、短语、句子、篇章进行识别、转换、分析、理解、压缩、加密和检索等有关的处理解、压缩、加密和检索等有关的处理n文本处理内容：文本处理内容：n字数统计，词频统计，简字数统计，词频统计，简/繁体相互转换，

30、汉字繁体相互转换，汉字/拼音相互转换拼音相互转换n词语排序，词语错误检测，文句语法检查词语排序，词语错误检测，文句语法检查n自动分词，词性标注，词义辨识，大陆自动分词，词性标注，词义辨识，大陆/台湾术语转换台湾术语转换n关键词提取，文摘自动生成，文本分类关键词提取，文摘自动生成，文本分类n文本检索（关键词检索、全文检索），文本过滤文本检索（关键词检索、全文检索），文本过滤n文语转换（语音合成），文种转换（机器翻译）文语转换（语音合成），文种转换（机器翻译）n篇章理解，自动问答，自动写作等篇章理解，自动问答，自动写作等n文本压缩，文本加密，文本著作权保护文本压缩，文本加密，文本著作权保护什么是文

31、本处理什么是文本处理?395.1 文本与文本处理例：例：Word 2003的文本处理功能的文本处理功能n英文拼写检查和英文拼写检查和英语同义词检查英语同义词检查n字数统计字数统计n自动编写摘要自动编写摘要n中文简繁体转换和术语转换中文简繁体转换和术语转换n中英词语翻译中英词语翻译n语法和格式检查语法和格式检查n语音识别（口授命令和听写）语音识别（口授命令和听写）n文档保护文档保护(防止打开或修改文档防止打开或修改文档)405.1 文本与文本处理附：关于文本检索附：关于文本检索n将文本按一定的方式进行组织、储存、管理，并根据用将文本按一定的方式进行组织、储存、管理，并根据用户的要求查找到所需要的

32、文本，称为户的要求查找到所需要的文本，称为“文本检索文本检索”n文本检索系统的组成和工作流程文本检索系统的组成和工作流程:文本库文本库索引数据索引数据标标引引匹匹 配配结果分析、排序结果分析、排序提提 问问对每一文本生成索引对每一文本生成索引索引的结构为：索引标识索引的结构为：索引标识+相应的地址相应的地址索引标识可以是文本的标题索引标识可以是文本的标题(主题主题)、作者、作者、分类、关键词等分类、关键词等 给出查询要求，如标题是什么、作者是谁、给出查询要求，如标题是什么、作者是谁、属于哪一类、所包含的关键词等属于哪一类、所包含的关键词等提问词可以使用提问词可以使用“与与”、“或或”、“非非”

33、等等逻辑运算进行组合逻辑运算进行组合由检索软件将查询要求由检索软件将查询要求与索引数据进行匹配，与索引数据进行匹配，找出与查询要求相关的找出与查询要求相关的文本的地址；文本的地址；系统按地址从文本库中系统按地址从文本库中取出对应的一组文本，取出对应的一组文本，返回给用户返回给用户 经过分析后，按照与查询经过分析后，按照与查询要求的相关程度（从高到要求的相关程度（从高到低排序）返回给用户低排序）返回给用户 415.1 文本与文本处理对文本检索系统的评价对文本检索系统的评价n效果效果n精度精度:返回结果中相关的文本占返回结果中相关的文本占返回总数的百分比返回总数的百分比n召回率召回率:返回结果中相

34、关的文本占返回结果中相关的文本占全部相关文本的百分比全部相关文本的百分比n效率效率:检索速度检索速度n其它其它:易用性等易用性等全部全部文本文本返回文本返回文本所有相关所有相关文本文本425.1 文本与文本处理Web信息检索是文本检索的特例信息检索是文本检索的特例n也称为搜索引擎也称为搜索引擎,例如例如Google、Yahoo、Alta Vista、Infoseek、新浪、天网、百度等。、新浪、天网、百度等。n系统结构：系统结构：预先使用软件预先使用软件robot遍遍历历Web，将，将Web上的信上的信息下载到本地文档库息下载到本地文档库对文本内容对文本内容进行自动分析进行自动分析并建立索引并

35、建立索引用户提出检索请求时，搜用户提出检索请求时，搜索引擎通过检查索引找出索引擎通过检查索引找出匹配的文本（或匹配的文本（或URL地址）地址）并返回给用户并返回给用户435.1 文本与文本处理5.1.5 文本的展现文本的展现(输出输出)445.1 文本与文本处理文本的展现文本的展现(输出输出)n目的：阅读、浏览或打印文本目的：阅读、浏览或打印文本n使用的软件：文本阅读器使用的软件：文本阅读器/文本浏览器文本浏览器n嵌入在文本编辑嵌入在文本编辑(处理处理)软件中，如微软的软件中，如微软的Word，n独立的软件：如独立的软件：如Adobe公司的公司的Acrobat Reader，微软公司的微软公司

36、的IE等等 n文本展现的过程：文本展现的过程：1.1.对文本的格式描述进行解释对文本的格式描述进行解释2.2.生成文字和图表的映像（生成文字和图表的映像（bitmap）3.3.传送到显示器或打印机输出传送到显示器或打印机输出455.1 文本与文本处理附：输出过程中字形的生成附：输出过程中字形的生成 n过程：过程：n先根据字符的字体确定相应的字库（先根据字符的字体确定相应的字库（font），），n再按照该字符的代码从字库中取出该字符的形状描述信息再按照该字符的代码从字库中取出该字符的形状描述信息n然后按形状描述信息生成字形，并按照字号大小及有关属性然后按形状描述信息生成字形，并按照字号大小及有关

37、属性（粗体、斜体、下横线）将字形作必要的变换（粗体、斜体、下横线）将字形作必要的变换n最后将变换得到的字形放置在页面的指定位置处最后将变换得到的字形放置在页面的指定位置处n2种不同的字库：种不同的字库：点阵点阵描述描述轮廓轮廓描述描述轮廓点轮廓点直线直线二次曲线二次曲线465.1 文本与文本处理5.1.3 文本的分类与表示文本的分类与表示475.1 文本与文本处理简单文本简单文本(纯文本纯文本)本本 书书 由由 南南 京京 大大 学学 出出 B1 BE CA E9 D3 C9 C4 CF BE A9 B4 F3 D1 A7 B3 F6 版版 社社 (P u b l i s h i n g B0

38、 E6 C9 E7 28 50 75 62 6C 69 73 68 69 6E 67 H o u s e o f N a n j i n 20 48 6F 75 73 65 20 6F 66 20 4E 61 6E 6A 69 6E g U n i v e r s i t y )出出 版版 67 20 55 6E 69 76 65 72 73 69 74 79 29 B3 F6 B0 E6 文文本本的的内内容容文文本本在在计计算算机机中中的的表表示示 没有字体、字号的变化，不能插入图片、表格，也不能建立超没有字体、字号的变化，不能插入图片、表格，也不能建立超链接，其文件后缀名是链接，其文件后缀

39、名是.txt 由一串用于表达正文内容的字符编码所组成，几乎不包含任何由一串用于表达正文内容的字符编码所组成，几乎不包含任何其他的格式信息和结构信息其他的格式信息和结构信息 举例：举例：485.1 文本与文本处理丰富格式文本丰富格式文本本书由南京大学出版社本书由南京大学出版社(Publishing House of Nanjing University)出版出版 有字体字号等属性变化、设置了段落和页面排版格式的文本称为有字体字号等属性变化、设置了段落和页面排版格式的文本称为“丰富格丰富格式文本式文本”丰富格式文本中，除了正文内容之外，还使用了许多丰富格式文本中，除了正文内容之外，还使用了许多“标

40、记标记”来描述字符来描述字符的属性和格式的设置。的属性和格式的设置。举例：下面标题的格式为：中文用黑体，西文用举例：下面标题的格式为：中文用黑体，西文用Arial Black体，居中体，居中 使用使用HTML语言描述为：语言描述为：本书由南京大学出版社本书由南京大学出版社(Publishing House of Nanjing University)出版出版用一对用一对指出的是标记，如指出的是标记，如 和和 等，用于说明排版的格式和文字属等，用于说明排版的格式和文字属性，它们不属于正文内容性，它们不属于正文内容正文内容正文内容495.1 文本与文本处理超文本超文本n若干文本或文本中的各个部分可

41、按照其内容的关系互相若干文本或文本中的各个部分可按照其内容的关系互相链接起来，从而形成链接起来，从而形成“超文本超文本”ABCDEFGHa1 a2b2c2 f1d1c1 b1e1g1h1a3“超链超链”实际上就是实际上就是一个指针，用于指向一个指针，用于指向其他文本块，也可以其他文本块，也可以指向同一文本块中的指向同一文本块中的其他部分其他部分 超链是有向的，起点位置超链是有向的，起点位置称为链源，它可以是文本称为链源，它可以是文本块中的一个标题、一句句块中的一个标题、一句句子、一个关键词、一幅画、子、一个关键词、一幅画、一个图标等一个图标等文本块可以是一个文本块可以是一个网页，一个文档，网页

42、一个文档，一段文字，也可以一段文字，也可以是一张图片，甚至是一张图片，甚至一段声音或视频一段声音或视频 505.1 文本与文本处理小结：文本的分类小结：文本的分类文本文本类型型 特点特点 在在计算机内的表示算机内的表示 文件文件扩展名展名 用途用途简单文本文本没有字体、字号和版没有字体、字号和版面格式的面格式的变化，文本化，文本在在页面上逐行排列，面上逐行排列，也不含也不含图片和表格片和表格由一由一连串与正文内容串与正文内容对应的字符的的字符的编码所所组成，几成，几乎不包含任何其他的格式乎不包含任何其他的格式信息和信息和结构信息构信息.txt网上聊天网上聊天短信短信文字录入文字录入OCR输入

43、输入丰富丰富格式格式文本文本(线性性文本文本)有字体、字号、有字体、字号、颜色色等等变化，文本在化，文本在页面面上可以自由定位和布上可以自由定位和布局，局，还可插入可插入图片和片和表格表格除了与正文除了与正文对应的字符的字符编码之外，之外，还使用某种使用某种“标记语言言”所所规定的一些定的一些标记来来说明明该文本的文字属性和文本的文字属性和排版格式等排版格式等.doc.rtf.htm.html.pdf公文公文论文文书稿书稿网页网页丰富丰富格式格式文本文本(超文超文本本)除上述特征外，文本除上述特征外，文本中中还含有超含有超链，使文，使文本呈本呈现为一种网状一种网状结构构同上，但同上，但还应包含用于指包含用于指出出“链源源”和和“链宿宿”的的标记.doc.rtf.htm.html.pdf.hlp同上，以同上，以及及软件的件的联机文档机文档(帮助文件帮助文件)