多类型文档检索和转换技术研究.pdfVIP

SoftwareTechnology 多类型文档检索和转换技术研究 李培 国 ，叶 嫣 (1．暨南大学 信息科学技术学院数学系，广东 广州 510632； 2．华南师范大学 增城学院计算机系，广东 广州 511363) 摘 要 ：云时代的到来，企业 电子文档的 日益增长 ，预示着电子文档管理工作 的重要性 。结合 POI 和 Aspose等工具 ，提 出基 于POI和 Aspose组件的文档检 索和在线浏览实现方式 。着重 阐明POI与 Lucene结合的文档检 索，以及基 于Aspose组件的文档转换和在线浏览的功能实现 。 关键词 ：电子文档；POI；Aspose；Lucene 中图分类 号 ：TP311 文献标识码 ：A 文 章编号 ：l674—7720(2014)10-0004-03 Researchon searchingand conversion ofmuhitypedocuments LiPeiguo，Ye Yan (1．DepartmentofMathematics，SchoolofInformationScienceandTechnology，JinanUniversity，Guangzhou510632，China； 2．DepartmentofComputer，ZengchengCollegeofSouthChinaNomralUniversity，Guangzhou511363，China) Abstract：With the rapid growth ofthe amountofthe electronicdocuments in the company，the documentmanagementisbe- comin‘g increasingly important．Thisstudy lays emphasison the searching engine，conversion and display module ofthe document managementsystem．Itadvanced a searching engine based on POIand Lucene toolsand a conversion method based on Aspose APIs． Key words：electronicdocument；POI；Aspose；Lucene 随着云时代的到来 ，企业 内部的各种信息数据量也 档格式 ，在文档管理 中承担越来越重要 的地位。 在飞速增长 ，正在步人大数据时代I1；企业 内部每天都 1．2POI工具介绍 会产生大量 的各种类型的电子文档[21，包括各种客户信 POI是开源组织 Apache下面 的子项 目，提供 Java语 息、产 品信息 、技术资料 、培训资料等 。如何对这些数量 言 的API对 MicrosoftOffice文档 的处理功 能 ；PO1支持 庞大 、种类繁多的电子文档进行统一 的管理 ，对于企业 0mee2007以前 的二进制文件格式 ，以及 Office2007以 来说是一个亟待解 决 的问题 。同时 ，对这些文档 的有效 后 的 OpenXML格 式文 档。 分析和管理 ，对于企业分析客户信 息 、判断市场走 向，以 针对几种主要 的 Office文档 ，POI提供 以下几个 核 及构建企业 知识库等方面都有很大 的实 际意义 。 心类 ： 在这些文档管理 的工作 中，需要解决文档 的保存类 Word：HWPF处理二进制文件格式 (．doc)，XWPF处 型和显示方式 的问题 。本文主要研究了各种类型文档的 理 OpenXML文件格式 (．docx)。 内容提取技术和文档检索功能实现 、统一格式转换 的方