基于XML的全文檢索方法及原型系統(tǒng)實(shí)現(xiàn)研究.pdf

1、隨著社會(huì)信息化的發(fā)展，人們已邁入了信息時(shí)代，并朝著知識(shí)時(shí)代邁進(jìn)。在這一時(shí)代背景下，信息對(duì)企業(yè)或組織的作用越來(lái)越突出，成為企業(yè)或組織存在和發(fā)展的關(guān)鍵。然而由于企業(yè)或組織缺乏對(duì)其自身所擁有的信息資源的有效管理，致使其不能及時(shí)獲得所需要的信息。這是由于當(dāng)前企業(yè)或組織所采用的數(shù)據(jù)庫(kù)系統(tǒng)方式和大型搜索引擎的站內(nèi)搜索提供的全文檢索功能來(lái)實(shí)現(xiàn)對(duì)其所擁有的數(shù)據(jù)資源進(jìn)行檢索的方法都存在一定的缺陷：前者只適用于信息量較小的情況，隨著信息的累積，使用數(shù)據(jù)庫(kù)系

2、統(tǒng)中的類(lèi)似like“％keyword”查詢(xún)，其全文檢索性能將急劇下降；而后著也存在著索引效率低、更新慢、數(shù)據(jù)不準(zhǔn)確和無(wú)法控制輸出格式等問(wèn)題。針對(duì)以上問(wèn)題，本文提出了一種基于XML的全文檢索方法以實(shí)現(xiàn)對(duì)企業(yè)或組織的信息資源的有效管理。具體而言，本文的工作主要包括以下幾個(gè)方面： （1）對(duì)當(dāng)前兩種主要的全文檢索技術(shù)：字索引與檢索技術(shù)、詞索引與檢索技術(shù)進(jìn)行了深入的分析研究，以為基于XML的全文檢索方法的實(shí)現(xiàn)提供依據(jù)和支持。 （2

3、）對(duì)XML相關(guān)技術(shù)進(jìn)行了深入的研究。充分考慮XML置標(biāo)添加的靈活性以及置標(biāo)本身所蘊(yùn)涵的語(yǔ)義信息，從索引機(jī)制與索引結(jié)構(gòu)入手，在建立索引時(shí)，不僅考慮如何從文檔中找到相關(guān)信息，而且考慮了信息的結(jié)構(gòu)和粒度問(wèn)題，實(shí)現(xiàn)內(nèi)容+結(jié)構(gòu)的信息檢索。利用XML作為一個(gè)通用數(shù)據(jù)接口，也即將其他的數(shù)據(jù)資源（如數(shù)據(jù)庫(kù)資源、PDF格式的義件WORD文檔等）轉(zhuǎn)換成XML格式的文件，這樣可以提高建立索引的速度并能夠減小存儲(chǔ)的空間。這是因?yàn)榘阉阉鞯降男畔⒋孢M(jìn)單一的XML文

4、檔中，相對(duì)于每個(gè)獨(dú)立文件，可以減少索引程序進(jìn)行文件定位和打開(kāi)關(guān)閉文件所需要的時(shí)間，這在文檔數(shù)據(jù)量比較大的時(shí)候效果特別明顯；此外，規(guī)范化的存儲(chǔ)能避免對(duì)所有搜索到的文件都進(jìn)行單獨(dú)存儲(chǔ)，減少存儲(chǔ)空間，提高管理效率。 （3）對(duì)全文檢索系統(tǒng)實(shí)現(xiàn)平臺(tái)Lucene進(jìn)行了深入的分析，并針對(duì)具體問(wèn)題，對(duì)其進(jìn)行了改進(jìn)和優(yōu)化，如解析模塊的改進(jìn)、索引器和檢索器接口參數(shù)的優(yōu)化等。 （4）最后，開(kāi)發(fā)實(shí)現(xiàn)了基于XML的全文檢索的原型系統(tǒng)。整個(gè)原型系統(tǒng)