求一文本信息抽取java代码（对于您来说很简单）

Question

有一个文本文件，内容为科学文献的元数据，内容格式如下：-----------------------------------------------------------------
【文件序号】文献一序号
【来源篇名】文献一题名
【来源作者】文献一作者
【期刊】文献一期刊
【年代卷期】yyyy
参考文献：
1.作者.题名.期刊.=第一作者PM=/题名/QK=期刊ND=出版时间（yyyy格式）
2.author.title.journal.=first authorPM=/title/QK=journalND=yyyy
3.
4.
.
.
.
-----------------------------------------------------------------
【文件序号】文献二序号
【来源篇名】文献二题名
【来源作者】文献二作者
【期刊】文献二期刊
【年代卷期】yyyy
参考文献：
1.作者.题名.期刊.=第一作者PM=/题名/QK=期刊ND=出版时间（yyyy格式）
2.author.title.journal.=first authorPM=/title/QK=journalND=yyyy
3.
4.
.
.
.
-----------------------------------------------------------------
【文件序号】文献二序号
【来源篇名】文献二题名
【来源作者】文献二作者
【期刊】文献二期刊
【年代卷期】yyyy
参考文献：
1.作者.题名.期刊.=第一作者PM=/题名/QK=期刊ND=出版时间（yyyy格式）
2.author.title.journal.=first authorPM=/title/QK=journalND=yyyy
3.
4.
.
.
.
说明：
1、每篇文献有零至多篇参考文献；
2、每一条参考文献中，每个项目（作者、题名、期刊等等）之间的分割符号是“.”；
3、参考文献中有英文文献和外文作者，外文作者的名称有简写情况，如“Kevin,D.”，名字里面这个“.”是简写，不是分隔符。这类文献的可能是这样表示的“1.Kevin,D..Title Comes here.Journal Comes here.PM=/title/QK=journalND=yyyy”
4、文中的期刊“Journal”其含义是“文献来源”的意思，大多数情况下是期刊，还有可能是互联网，可能是这种情况：“1.Kevin,D..Title Comes here.http://www.abc.com/papers/xyz.html.PM=/title/QK=http://www.abc.com/papers/xyz.htmlND=yyyy”,这种情况把“www.abc.com”截出来就好了。要求：
1、抽取出所有文献（包括来源文献和参考文献）的“作者、题名、来源期刊和出版年份”；
2、抽取出所有文献之间的引用关系，分别使用两个vector存起来；
3、我建了两个类（java）：Document(文献类)和Reference（引用），其定义如下：
public class Document{
    String title;
    String author;
    String journal;
    String date;
}public class Reference{
    Document citingDoc;//引用文献
    Document citedDoc;//被引文献
}

Answer 1

能贴附件吗？要不我邮箱发给你？

Answer 2

这个问题的在于这个“.”既是分隔符，也有可能是某个字段中的值。那么难点就在于如何区分是分隔符还是内容。如果字段的数量是确定的，那么我们可以猜测：1、比如连续两个点，则前一个点我们认为是前一个字段的内容。2、如果经过分割后的字段数量多于预计的字段数，则需要人工分析。你可以建立一个知识库，用于识别一些比如网站这样的文本。在初步建立知识库后，先运行一遍，把异常的文献行筛选出来，再进行人工梳理，以充实知识库。这样来个几遍，你就可以建立一个完整的知识库了。也就可以完全筛选出来了。

Answer 3

我在想能否使用正则表达式来匹配

Answer 4

估计比较难，因为你相当于有语义判断在里面。不过初步筛选应该可以。