Text Extraction

Definition / 释义

text extraction：文本抽取；从图片、PDF、网页或其他非结构化/半结构化数据中提取可编辑、可搜索的文字内容的过程（常见于 OCR、信息抽取与数据处理场景）。在某些语境下也可泛指“从大量文本中抽取关键信息”。

Pronunciation / 发音

/ˈtɛkst ɪkˈstrækʃən/

Examples / 例句

Text extraction helps turn scanned documents into editable files.
文本抽取能把扫描文档转换成可编辑的文件。

In the pipeline, text extraction is followed by cleaning, entity recognition, and indexing for search.
在这条处理流程中，文本抽取之后通常还会进行清洗、实体识别，并建立索引以便检索。

Etymology / 词源

text 来自拉丁语 textus（“编织之物、文字织成的结构”），引申为“文章、文本”；extraction 来自拉丁语 extrahere（ex- “向外” + trahere “拉、拖”），本义是“抽出、提取”。组合在一起就形成“把文字从载体中提取出来”的意思，现代多用于计算机与数据处理领域。

Related Words / 相关词

• Ocr
• Optical Character Recognition
• Information Extraction
• Text Mining
• Data Extraction
• Parsing
• Tokenization
• Named Entity Recognition

Literary Works / 文学与著作中的用例

• Speech and Language Processing（Dan Jurafsky, James H. Martin）：在信息抽取、文本处理与 NLP 流程相关章节中常讨论“抽取（extraction）”任务与方法。
• Foundations of Statistical Natural Language Processing（Christopher D. Manning, Hinrich Schütze）：涉及从文本中抽取信息、特征与统计模式的经典内容。
• Handbook of Natural Language Processing（Nitin Indurkhya, Fred J. Damerau 编）：在信息抽取、文本分析等综述章节中常出现与 text extraction 相近的术语与用法。