从pdf文件中提取邮政地址

Question

是否有任何图书馆/工具包可以帮助我从非结构化PDF文档（例如字母）中提取邮政地址信息？如果没有，你将如何处理这项任务？

我考虑使用开源PDF库并使用正则表达式模式搜索信息，但我不确定是否可以使用这种简单的方法可靠地识别地址。不幸的是，我参加的数据挖掘课程没有触及文本挖掘，只处理高度结构化的数据。也许从事自然语言处理的人知道一个有用的库或工具包吗？

Answer 1

我建议http://pdfbox.apache.org读取pdf（即转换为文本）和http://code.google.com/p/graph-expression/写入Post地址语法。

Answer 2

使用pdf2xml或任何其他PDF库/工具包，并使用您最喜欢的搜索引擎搜索“邮政地址提取”并将搜索限制为文件类型pdf。