\class=\\\href=\\\target=\\\([^<>]*?)\\\\s*\,boost::regex::normal |boost::regbase::icase); 其中引号中的内容为匹配的正则表达式，注意其中的一对小括号，其中的内容就是我们需要提取的信息 (2) 利用split函数，将结果存入list里面 list
2.3数据的存储及解析
在将数据从网页下载下来之后，需要存储起来。首先，对于pdf的格式，只能存在文件系统里，按正常的方式存储。对于其他的信息，这里选择存储在Berkeley DB（简记为BDB）里面。BDB是一种轻量级的数据库，Mysql等数据库底层就是利用BDB来完成的。它的优点是可移动性，不用像Mysql那样搭建服务器，而且读取数据时较快。对于每一篇文章的基本信息metadata，按照表格 1中的形式存入BDB中：
表格 1
Key int64_t的一个整数 字符流,存储元数据信息，按如下格式： **************************************************name **************************************************source Value **************************************************abstract **************************************************citationCount **************************************************authors **************************************************references 7
**************************************************referenceName **************************************************url
获得这些基本信息之后，我们还要根据这些元信息，陆续建立一些BDB文件，用于存储其他信息，如表格 2：
表格 2
文件名 content.dpt fromto.dpt Key int64_t的整数，论文ID int64_t的整数，论文ID Value 这篇论文的全部文本内容 用于存储一篇论文所引用的所有文章 tofrom.dpt int64_t的整数，论文ID 用于存储一篇论文被哪些文章所引用 comment.dpt int64_t的整数，论文ID 存储最终要显示在页面上的文章的评价 summary.dpt int64_t的整数，论文ID 存储最终要显示在页面上的基于影响的文章的概括
其中content.dpt是通过将pdf格式转化为txt之后获得的。fromto.dpt是对整个论文的引用关系图进行解析获得的，从上面的元数据中，我们可以获得每篇论文所引用的论文的名称，这样，我们可以通过这些名称，来获得这个论文所引用的所有论文的ID号，并且存储到数据库中。获得fromto.dpt之后，对其进行倒置，就可以获得tofrom.dpt的内容
这里之所以选择BDB进行存储，是因为它有以下这些优点：
? 嵌入式（Embedded）：它直接链接到应用程序中，与应用程序运行于同样
的地址空间中，因此，无论是在网络上不同计算机之间还是在同一台计算
机的不同进程之间，数据库操作并不要求进程间通讯。
? BDB为多种编程语言提供了API接口，其中包括C、C++、Java、Perl、Tcl、
Python和PHP，所有的数据库操作都在程序库内部发生。对于我们这个系
统，后台程序是由C++完成，而前台程序是由Python完成，他们都会共同访问一些文件，通过存储在BDB进行存储，就解决了不同语言之间兼容的问题。
? 轻便灵活（Portable）：它可以运行于几乎所有的UNIX和Linux系统及其
变种系统、Windows操作系统以及多种嵌入式实时操作系统之下。它并不
8
需要搭建一个数据库服务器，以用户、服务器形式访问数据库，而是以函数调用的形式。一旦BDB被链接到应用程序中，终端用户一般根本感觉不到有一个数据库系统存在。这样提高了我们的系统的实用性，当用户需要自己搭建一个我们的论文系统时，不用再去搭建数据库服务器，进行各种繁琐的配置。
9
第3章 生成评论集
上面的工作完成之后，我们获得了所有的基本信息，其中，最重要的，获得了tofrom表，该表的key是一篇论文A的ID，value是引用A的所有论文ID的集合。下面我们就要结合前面获得的数据，包括论文的文本、元数据，来获得一篇论文的评论集。
3.1获得评价的候选句子集
通过tofrom表，我们可以获得一个集合 {B1,B2,B3...}，其中Bi对A进行了引用。我们相信，如果Bi对A进行了引用，那么Bi中可能会有一些句子对A进行了评价。一般有以下几种情况： 1) Bi中的句子出现了A的论文名 2) Bi中的句子出现了A的作者名
3) 在Bi的reference列表中，如果A出现在第k个位置，那么通常在文章中会利用\来对A进行引用。
4) 对于(3)的情况，有时候并不只是对k进行引用，可能文章中的一句话代
表的是好几篇文章的工作概括，因此会出现“[i,k,j]”这种类型的符号来对A进行引用，而且出现的概率很高。
5) 如果Bi中的某句话对A进行了评论，那么通常它的前一句话和后一句话
也会出现评价的信息
通过上面的5点，我们就可以获得了Bi中对A进行评价的句子，从而获得了一个候选句子集，里面的每一句话都不同程度的对A进行了评价。
10
图表 2
如图表 2所示流程，具体实现的时候，先要将Bi按句子进行划分为一个句子序列{Bis1,Bis2,Bis3.....}，然后遍历这个句子序列，对于每一个句子，按照上面的前四条规则进行评判，如果满足其中任意一条，则这个句子是候选句子集合中的一个，并将其前后两个句子也合到一起，添加的候选句子集合中。 最终，得到对A进行评论的候选句子集{e1,e2,e3...}，这里面可能会有一些评价来自同一篇论文。
3.2获得评论段落
获得了候选句子集之后，我们需要对其进行适当的排序，从中选出较好的几个句子，最终显示在页面上。由于不同的人，对这篇论文的评价可能也不太一样，因此，就不能简单的按照这些评价句子与原文的相似度来进行打分排序了，因为这样会造成和原文观点相近的评分较高，不是我们希望获得的结果。实际上，有时候越是和原文的观点不同，反而可能越重要，它可能是对这篇文章的批判，也有可能是原文的作者在写paper时没有发现的一些问题，这对我们寻找后续工作时可能会非常重要。
我们在提取数据的同时，会获得每一篇文章的citation信息，代表这篇文章被引用的次数，一般，一个较好的文章，被引用的次数也应当比较多，因此，对于每一个评价，根据它所在文章的被引用次数进行排序，可以获得较为专业，
11