[发明专利]一种基于词频的数字出版物词汇抽取方法

摘要

本发明公开了一种基于词频的数字出版物词汇抽取方法，其减少了按章节、页码抽取数字出版物中词汇所花费的计算量，便于各词汇在重新排版后实现快速无误地页码定位，提高了出版工作效率。此方法包括步骤：判断待出版的数字出版物的语言以及其阅读等级，根据判断结果调取对应的高频词典、中频词典和低频词典；将数字出版物的原始文档转换成XML格式文档，通过排版XML格式文档获得页码标记，形成带有章节、段落和页码标记的XML格式文件，并保存为文档副本；对文档副本进行词汇抽取，生成高频词汇表、中频词汇表、低频词汇表和新增词汇表：词汇抽取完成，数字出版物等待出版。