extractFileText

从PDF阅读文本,微软词、HTML和纯文本文件

所有的页面崩溃

语法

str = extractFileText(文件名)

str = extractFileText(文件名、名称、值)

描述

例子

str= extractFileText (文件名)从文件读取文本数据为字符串。

例子

str= extractFileText (文件名,名称,值)使用一个或多个指定附加选项名称-值对参数。

例子

全部折叠

从文本文件中提取文本数据

打开生活的脚本

提取的文本sonnets.txt使用extractFileText。该文件sonnets.txt包含纯文本形式的莎士比亚的十四行诗。

str = extractFileText (“sonnets.txt”);

查看首十四行诗。

我= strfind (str,“我”);2 = strfind (str,“二世”);=我开始(1);鳍= 2 (1);extractBetween (str,开始,fin-1)

ans = "我从美丽的生物,我们渴望增加,因此美丽的玫瑰可能永远不会死,但随着成熟应该随着时间流逝,他的他的记忆交给娇嫩的后嗣:但你承包你的明亮的眼睛,饲料刻画你的光的火焰定情,燃料,饥荒丰富所在,你的自我你的敌人,你的甜蜜的自我太残忍:你现在艺术世界的新鲜的点缀,只有春天的华而不实的使者,在你自己的花蕾埋葬你的内容,和温柔的乡下人mak浪费在吝啬鬼:遗憾的世界,否则这贪吃的人,吃的世界,由你和坟墓。”

从PDF文件中提取文本数据

打开生活的脚本

提取的文本exampleSonnets.pdf使用extractFileText。该文件exampleSonnets.pdf在PDF文件包含了莎士比亚的十四行诗。

str = extractFileText (“exampleSonnets.pdf”);

查看第二个十四行诗。

2 = strfind (str,“二世”);3 = strfind (str,“三世”);开始= 2 (1);鳍= 3 (1);extractBetween (str,开始,fin-1)

ans = "二世当四十冬天围攻你的眉毛,和你美丽的领域深入挖掘战壕,你青春的骄傲制服现在凝视着,将小价值的碎布会杂草:然后被要求,所有你的美丽谎言,所有的珍惜你的精力充沛的天;说,在你自己的深凹的眼睛,是一个所有吃的羞耻和浪费的赞美。多少deserv会赞美你的美丽的,如果你能够回答“这个公平的孩子我要和我的统计,并使我的借口,“证明他继承你的美丽!这是新的当你老了,看看你的血温暖当君觉得冷。”

从页面中提取文本3、5、7的PDF文件。

页面= (3 5 7);str = extractFileText (“exampleSonnets.pdf”,…“页面”页);

查看第十届十四行诗。

x = strfind (str,“X”);ξ= strfind (str,“十一”);开始= x (1);鳍= xi (1);extractBetween (str,开始,fin-1)

ans = " X是怕一个寡妇弄湿的眼睛,consum你花你的自我在单身生活吗?啊!如果你徒劳的偶然死亡,世界将你像makeless妻子嚎啕大哭;世界将是你的寡妇和仍然哭泣,你所留下的任何形式的你,当每一个私人寡妇可能让孩子的眼睛,她丈夫的形状:看!世界上什么是unthrift难道花转变但他的地方,仍然为世界上享有;但美在世界上的废物已经结束,并一直未使用的用户因此破坏它。对他人没有爱在等自己的怀里坐murd 'rous耻辱提交。X不像话!否认君熊喜欢任何,因为你的自我艺术所以unprovident。格兰特,如果你愿意,你是人们所爱的很多,但没有一个值列表你花是最明显的:因为你是与凶残的讨厌,所以拥有“反抗你的自我君贴不是阴谋,寻找美丽的屋顶破坏,修复应该你的欲望。 "

从多个文件使用导入文本文件数据存储

打开生活的脚本

如果你的文本数据中包含多个文件在一个文件夹中,然后您可以将文本数据导入MATLAB使用文件数据存储。

创建一个数据存储的文件示例十四行诗的文本文件。十四行诗的示例文件名称”exampleSonnetN.txt”,N十四行诗的数量。指定阅读功能extractFileText。

readFcn = @extractFileText;fds = fileDatastore (“exampleSonnet * . txt”,“ReadFcn”readFcn)

fds = FileDatastore属性:文件:{“…/ tp73208a97 / textanalytics-ex73762432 / exampleSonnet1.txt”;“…/ tp73208a97 / textanalytics-ex73762432 / exampleSonnet2.txt”;“…/ tp73208a97 textanalytics-ex73762432 / exampleSonnet3。txt”……和1}文件夹:{“/ tmp / Bdoc21b_1757077_241787 / tp73208a97 / textanalytics-ex73762432”} UniformRead: 0 ReadMode:‘文件’BlockSize:正PreviewFcn: @extractFileText SupportedOutputFor金宝appmats:[“三种”“csv”“xlsx”“xls”…]ReadFcn: @extractFileText AlternateFileSystemRoots: {}

创建一个空bag-of-words模型。

袋= bagOfWords

袋= bagOfWords属性:计数:[]词汇:[1 x0字符串]NumWords: 0 NumDocuments: 0

遍历每个文件数据存储和读取的文件。标记每个文件并添加文档中的文本袋。

而hasdata (fds) str =阅读(fds);文档= tokenizedDocument (str);袋= addDocument(袋、文档);结束

查看更新bag-of-words模型。

袋

袋= bagOfWords属性:计数:[4 x276双]词汇:“从”“公平”“生物”“我们”…]NumWords: 276 NumDocuments: 4

从HTML中提取文本

打开生活的脚本

直接从HTML代码中提取文本数据,使用extractHTMLText和指定的HTML代码作为一个字符串。

代码=“< html > <身体> < h1 >十四行诗由威廉·莎士比亚< / h1 > < p > < / p > < /身体> < / html >”;str = extractHTMLText(代码)

str =“威廉·莎士比亚的十四行诗”

输入参数

全部折叠

`文件名`- - - - - -文件的名字
字符串标量|特征向量

文件的名称,指定为字符串标量或特征向量。

数据类型:字符串|字符

名称-值参数

指定可选的逗号分隔条名称,值参数。的名字参数名称和吗价值相应的价值。的名字必须出现在引号。您可以指定几个名称和值对参数在任何顺序Name1, Value1,…,的家。

例子:“页面”,[1 3 5]指定阅读页1、3和5从PDF文件。

`编码`- - - - - -字符编码
`“汽车”`(默认)|`“utf - 8”`|`“iso - 8859 - 1”`|`“windows - 1251”`|`“windows - 1252”`|……

使用字符编码,指定为逗号分隔组成的“编码”和一个特征向量或一个字符串标量。特征向量或字符串标量必须包含一个标准的名称,如以下字符编码方案。

`“繁体”`	`“iso - 8859 - 1”`	`“windows - 874”`
`“Big5-HKSCS”`	`“iso - 8859 - 2”`	`“windows - 949”`
`“CP949”`	`“iso - 8859 - 3”`	`“windows - 1250”`
`“EUC-KR”`	`“iso - 8859 - 4”`	`“windows - 1251”`
`“EUC-JP”`	`“iso - 8859 - 5”`	`“windows - 1252”`
`“EUC-TW”`	`“iso - 8859 - 6”`	`“windows - 1253”`
`“GB18030”`	`“iso - 8859 - 7”`	`“windows - 1254”`
`“GB2312”`	`“iso - 8859 - 8”`	`“windows - 1255”`
`“GBK”`	`“iso - 8859 - 9”`	`“windows - 1256”`
`“IBM866”`	`“iso - 8859 - 11”`	`“windows - 1257”`
`“KOI8-R”`	`“iso - 8859 - 13”`	`“windows - 1258”`
`“KOI8-U”`	`“iso - 8859 - 15”`	`“us - ascii”`
	`“麦金塔”`	`“utf - 8”`
	`“Shift_JIS”`

如果你不指定一个编码方案,那么这个函数执行使用启发式的编码自动识别。启发式取决于你的语言环境。如果这些启发式失败,那么您必须显式地指定一个。

此选项仅适用于当输入是一个纯文本文件。

数据类型:字符|字符串

`ExtractionMethod`- - - - - -提取方法
`“树”`(默认)|`“文章”`|`“所有文本”`

提取方法,指定为逗号分隔组成的“ExtractionMethod”和下列之一:

选项	描述
`“树”`	分析DOM树和文本内容,然后提取一块段落。
`“文章”`	检测条文本和提取一块段落。
`“所有文本”`	提取所有文本在HTML的身体,除了脚本和CSS样式。

此选项仅支持HTML文件金宝app输入。

`密码`- - - - - -密码打开PDF文件
特征向量|字符串标量

密码打开PDF文件,指定为逗号分隔组成的“密码”和一个特征向量或一个字符串标量。此选项仅适用于如果输入是一个PDF文件。

例子:“密码”、“skroWhtaM”

数据类型:字符|字符串

`页面`- - - - - -页面阅读PDF文件
向量的正整数

页面从PDF文件,读取指定为逗号分隔组成的“页面”和一个向量的正整数。此选项仅适用于如果输入文件是一个PDF文件。这个函数,默认情况下,从PDF文件中读取所有页面。

例子:“页面”,[1 3 5]

数据类型:单|双|int8|int16|int32|int64|uint8|uint16|uint32|uint64

提示

直接从HTML代码阅读文本,使用extractHTMLText。

兼容性的考虑

全部展开