研究较多的是自然语言文本，已经出现了一些工具或系统，知识抽取已经成为自然语言处理领域一个重要的研究分支。还有一个相似的概念是信息抽取。

知识抽取的来源主要有结构化文本、半结构化文本、非结构化文本。结构化文本包括词典、主题词表、本体、大百科全书等；半结构化文本主要是指标记文本，包括HTML标记文本与XML标记文本；非结构化文本主要指图书、论文等传统文献。这些文本按前期的标注程度不同又可分为原始文本、粗标注文本和全标注文本。知识抽取的理论模型支撑有粗糙集、遗传算法、神经网络、潜在语义标引等。知识抽取的过程或多或少地都用到自然语言处理技术，这些技术从处理的层面来讲包括形态分析、语法分析、语义分析、语用分析。从文本分析的处理单位来讲，包括词法分析、句法分析、段落分析、篇章分析，用于支撑这些分析的资源包括词典、规则库、常识知识库、领域知识库。知识抽取的结果有多种表示方式，有直接用自然语言表示的，也有转换成知识表示方式的，包括逻辑表示法、框架表示法、脚本表示法、产生式规则表示法、面向对象表示法、语义网表示法等，以及由面向对象表示法演化而来的本体表示法。针对不同的知识所选用的知识表示方式与知识抽取模式都不相同，如实验过程适合脚本表示法、概念关系适合语义网表示法、研究结论适合逻辑表示法等。

知识抽取可以为知识建模提供素材。这些素材不全是“未加工”的，使用抽取技术后的结果通常是得到一种结构化的数据，例如，标记、图表、术语表、公式和非正式的规则等。执行知识抽取和知识分析的知识工程师（或者叫知识分析员）实质上不需要掌握很深的应用领域知识。举一个最简单的例子，知识工程师能够从各种各样的非人力资源中获得信息，这些资源包括书本、技术手册、案例学习等等。然而，在大多数情况下，他（她）实际上需要请教资深专家。