使用java将非结构化数据（文本）转换为结构化格式

Question

我已经做了大量的研究并阅读了很少的论文，检查了所有的SO Q & A，但我仍然不清楚。

 I'm trying to setup a small search engine. I am crawling data using nutch and 
     have integrated it with solr for front end and indexing. 

     After crawl, I have unstructured data i.e content of entire page I crawled and 
     I need to structure this data into sets. 

例如：我爬到其中包含有关的任何产品信息的页面，我有其中有产品说明，大小原始文本，尺寸等

我的目标：提取关键字我想要说的：尺寸 - - >存储在相关的尺寸DB柱 提取信息 - >存储在同一行（另一列）

所以，我有在一个表中的关键字和描述，并取我作为每个查询，并输出到用户。

我不知道如何去构建/获取我需要的信息，如果可能的话，我希望使用java来做到这一点。我读了几篇文章，但我无法遵循。任何帮助/指导将不胜感激。

请让我知道，如果你需要更多的信息。感谢您的时间，并帮助

Answer 1

可以使用自然语言处理工具，如GATE（https://gate.ac.uk/），阿帕奇OpenNLP（https://opennlp.apache.org/），Minorthird（http://sourceforge.net/projects/minorthird/）等

你可以写在GATE一个戏言文法创建基于注释文中出现的词语。例如，您可以将dimension, measurements, proportions等注释为dimension，然后查找下一句中的数字。

你可以看看其他的NLP工具在这里：https://www.quora.com/What-are-the-best-Java-open-source-NLP-toolkits

Answer 2

给一个尝试CogComp-NLP：http://deagol.cs.illinois.edu:8080/

它可以在Java中，与Python API。