基于XML的全文檢索方法及原型系統(tǒng)實現(xiàn)研究.pdf

1、隨著社會信息化的發(fā)展，人們已邁入了信息時代，并朝著知識時代邁進。在這一時代背景下，信息對企業(yè)或組織的作用越來越突出，成為企業(yè)或組織存在和發(fā)展的關鍵。然而由于企業(yè)或組織缺乏對其自身所擁有的信息資源的有效管理，致使其不能及時獲得所需要的信息。這是由于當前企業(yè)或組織所采用的數(shù)據(jù)庫系統(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實現(xiàn)對其所擁有的數(shù)據(jù)資源進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)庫系

2、統(tǒng)中的類似like“％keyword”查詢，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)不準確和無法控制輸出格式等問題。針對以上問題，本文提出了一種基于XML的全文檢索方法以實現(xiàn)對企業(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方面： （1）對當前兩種主要的全文檢索技術：字索引與檢索技術、詞索引與檢索技術進行了深入的分析研究，以為基于XML的全文檢索方法的實現(xiàn)提供依據(jù)和支持。 （2

3、）對XML相關技術進行了深入的研究。充分考慮XML置標添加的靈活性以及置標本身所蘊涵的語義信息，從索引機制與索引結(jié)構(gòu)入手，在建立索引時，不僅考慮如何從文檔中找到相關信息，而且考慮了信息的結(jié)構(gòu)和粒度問題，實現(xiàn)內(nèi)容+結(jié)構(gòu)的信息檢索。利用XML作為一個通用數(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的空間。這是因為把搜索到的信息存進單一的XML文

4、檔中，相對于每個獨立文件，可以減少索引程序進行文件定位和打開關閉文件所需要的時間，這在文檔數(shù)據(jù)量比較大的時候效果特別明顯；此外，規(guī)范化的存儲能避免對所有搜索到的文件都進行單獨存儲，減少存儲空間，提高管理效率。 （3）對全文檢索系統(tǒng)實現(xiàn)平臺Lucene進行了深入的分析，并針對具體問題，對其進行了改進和優(yōu)化，如解析模塊的改進、索引器和檢索器接口參數(shù)的優(yōu)化等。 （4）最后，開發(fā)實現(xiàn)了基于XML的全文檢索的原型系統(tǒng)。整個原型系統(tǒng)