半结构化文本数据一般不具有完整的句法结构，但具有明显的版面布局结构和特定的标签信息。常见的这类文本有科研论文的头部信息和引文信息、学术报告公告、个人简历、招聘信息、产品参数信息等。
从科研论文的头部信息和引文信息为例分析了半结构化文本的特征，针对HMM不能充分利用对抽取有用的上下文特征，提出了一种基于CRF的方法。在抽取信息时先利用分隔符、特定标识符等格式信息对文本进行分块，在分块基础上利用CRF进行特定信息域的抽取。
本章提出的方法首先要依据回车、逗号、分号等分隔符对头部信息或引文信息进行信息块划分，然后在信息块的基础上进行信息域的抽取。