基于双层PDF和Lucene技术的全文检索研究与实现

2013－11－291976－、、10··PDFLucene410083〔〕通过建设双层PDF全文数据库、创建索引和全文检索等实现过程来阐述相关技术的研究和运用。以建设全文数据库为基础，研究结构化信息与非结构化数据的合并管理，对目录数据和全文数据的同步索引，基于Lucene技术，实现档案管理系统的一站式智能化档案全文检索，提升档案查全率。〔〕双层PDF;全文检索;档案管理;LuceneDOI10．3969/j．issn．1008－0821．2014．06．015〔〕TP391〔〕B〔〕1008－0821201406－0075－04Ｒesearch＆ＲealizationofFullTextＲetrievalBasedonDoublePDFandLuceneTechnologyXiangYuWuShimingArchivesofCSUChangsha410083China〔Abstract〕ThroughtheconstructionofdoublePDFfulltextdatabase，createdtheresearchandapplicationprocesstotherelevanttechnicalindexesandfull－textretrievaletc．WiththeconstructionofdoublePDFarchivesfull－textdatabaseasthefoundation，combinedwithmanagementofstructuredinformationandnonstructureddata，synchronizationindexonthecatalogdataandtextdata，basedonLucenetechnology，realizedone－stopintelligentarchivesmanagementsystemoffulltextretrieval，toenhancethesearchrate．〔Keywords〕doublePDF;fulltextsearch;archivesmanagement;Lucene、。、、。LucenePDF。1、、、、。。。Lucene1。2Word、PDF、JPGXML、HTMLWebService—57—20146346JournalofModernInformationJune2014Vol.34No.6XML。SQL。2Windows。2.1全文检索思想。。、、、。2.2双层PDF技术。。PDF。PDFTextImagePDFImageTextImageOCＲ、。。PDFWOＲD。2.3全文检索引擎LuceneLuceneJava3。4。Lucene。Lucene5、、。Lucene7、、、、。Lucene5Document、Field、IndexWriter、Analyzer、Directory。。3lucenePDF、、、、、、、、。、、、、。3.1创建双层PDF全文数据库PDF。PDF。PDFIDＲecidＲecidText。PDFImageText。PDF。PDF、、。3.2创建索引PDF。PDFtext、。3、、。Lucene。4Term。1indexWriterindexDocument。2FieldField。3Document—67—20146346PDFLuceneJune2014Vol.34No.6DOC、EXCEL、TXT、HTML、XMLDocumentField。DocumentField。Object2DocumentUtil．classDoc-ument。Analyzer。AnalyzerAnalyzerStandardAnalyz-er。AnalyzerIndexWriter。OCＲ。。4FieldDocumentDocumentIndexWriter。5indexWriterDirectoryFSDirectoryＲAMDirectory。publicvoidcreateIndexWriterStringsDirtrybooleanflag=true∥truefalseFileindexDir=newFilesDir∥Directorydir=SimpleFSDirectory．openindexDir∥DirectoryAnalyzersAnalyzer=newStandardAnalyzerVersion．LU-CENE30∥indexWriter=newIndexWriterdirsAnalyzerflagMax-FieldLength．UNLIMITED∥catchExceptionelogger．error″indexWriterExcep-tion″eindexE/index/T319。lucene1。0.cfxcompoundSegmentcompound.cfx2.fnmField2.frqdocID10.cfx45644KBCFX2013－4－205∶01A2.fnm1KBFNM2013－4－205∶01A2.frq6328KBFＲQ2013－4－205∶01A2.nrm106KBNＲM2013－4－205∶01A2.prx10383KBPＲX2013－4－205∶01A2.tii14KBTII2013－4－205∶01A2.tis731KBTIS2013－4－205∶01ASegments.gen1KBGEN2013－4－205∶01ASegments21KB2013－4－205∶01A2.nrmTermTermTerm。。2.prxTerm2.tii2.tisSegments.gen、Segments2。。3.3索引管理。deleteIndexDataindexData。。、、incre-mentIndexWriterStringsDir、saveIndexDataindexData、updateIndexDatalucenecloseIndexWriterIndexWriter。updateindexWriter．updateDocumenttermObject2DocumentUtil．object2documentindexData“”updateDocumentdeleteindexData+saveindexDa-ta。3.4检索过程及结果处理。—77—20146346JournalofModernInformationJune2014Vol.34No.6QueryScorerqsLuceneHighlighterFragmenter100。、、。3.5原文浏览。PDF。AcrobatＲeader。ＲeaderPDF、、“”PDF。PDFPDF。PDF。PDF＜OBJECTid='PDF'classid='clsid＊＊＊＊＊'border='0'WIDTH='100%'height='100%'＞＜paramname='Version'value='65539'＞＜PAＲAMname='ExtentX'value='20108'＞＜PAＲAMname='ExtentY'value='10866'＞＜PAＲAMname='StockProps'value='0'＞＜PAＲAMname='SＲC'value=″＜%=read-Path%＞″＞。4。。JDBCJavaDataBaseConnectivityIDＲecidＲecidFilepathPDF。Index。。5。“AND”。PDF。、PDFText。1000500、。、。、。Lucene、LucencePDF。PDF6ＲSS、。［1］管建和，甘剑峰．基于Lucene全文检索引擎的应用研究与实现［J］．计算机工程与设计，2007，(2):489－491．［2］forfuture1978．Lucene学习总结之一:全文检索的基本原理［EB/OL］．http:∥forfuture1978．iteye．com/．［3］胡长春．基于Lucene的中文自然语言搜索引擎［D］．上海:上海交通大学，2009:32－35．［4］解鹏飞．Lucene搜索引擎技术在国家海洋数字档案馆示范系统中的实现及应用［J］．海洋环境科学，2008，(8):117－121．［5］yingsuixindong．全文检索引擎Lucene优点［EB/OL］．http:∥blog．csdn．net/yingsuixindong/article/details/5580983．［6］向禹．基于SOA架构的高校档案资源管理系统设计与实现［D］．长沙:中南大学，2013:61－67．马卓)—87—20146346PDFLuceneJune2014Vol.34No.6