第276章 睡了睡了(第2页)

3.3.2数据预处理

unstructured库是一个强大的工具，专为处理非结构化数据设计，具体流程如图3.7所示，

如从文本文档、pdf文件或网页中提取数据。它支持多种数据提取方法，包括正则表达式匹配、自

然语言处理（nLp）技术等。

数据预处理步骤如下：

步骤一：数据清洗

去除杂质：从文本中去除无关的字符，如特殊符号、空白行等。

格式统一：将所有文本统一为相同的编码格式，通常为utf-8，以避免编码错误。

语言标准化：统一不同术语的使用，例如将所有"photovoltaic"统一替换为"pv"，确保术语的

一致性。

步骤二：信息提取

关键信息标识：标识文献中的关键信息，如研究方法、主要结论、实验条件等。

数据分类：根据信息类型将数据分类，如作者、出版年份、研究结果等。

步骤三：结构化转换
结构化处理：将信息精细化拆解与清洗，将各种元素进行转换，形成结构化数据形式，拆分成

标题与内容。

分割部分关键代码：

对于其中的每个元素，如果是Copositeelent类型，就提取其中的文本并将其添加到

text_list中；如果是table类型，就将表格的文本表示（可能是htmL格式）添加到

text_list中。

将图3.8的提取的数据进行拆分，添加到text_list中，输出结果如图3.11所示。

非结构化文本数据通常非常稀疏，即包含大量的词汇但每个文档只使用其中的一小部分。而结

构化数据则可以通过合并相似信息来降低数据的稀疏性，这有助于生成更加紧凑和有效的嵌入向

量。

结构化数据可以实现更高效的特征提取。结构化数据通常已经按照特定的模式或结构进行了组

织，这使得我们可以更加高效地从中提取有用的特征（如标题、作者、摘要、关键词等）。这些特

征可以作为后续ebeddg的输入，帮助生成具有更强区分性和泛化能力的嵌入向量。结构化数据

中的元素（如主题、类别、属性等）通常具有明确的含义，这些含义可以在ebeddg过程中被保

留下来。因此，基于结构化数据的嵌入向量往往具有更强的解释性，有助于我们更好地理解模型的

预测结果和内部机制。