多文档全文检索系统设计和开发.pdfVIP

摘 要 21 世纪是信息科技发展的飞速时期，随着计算机及网络技术的不断成熟，电 子文档以不同的格式展显在广大用户面前。这其中又以WORD文档为主，在这些海 量的文档中如何快速有效的查找到自己所需要的信息就成为一个现实的问题。全 文检索系统正是满足人们的这些需求应运而生的。全文检索是现代信息检索技术 的一个重要的分支，它极大地提高了从大量纷繁复杂的数据中查找特定信息的效 率。本文的主要研究任务旨在设计一个针对WORD 文档格式的多文档的全文检索工 具，实现对指定目录下的目录或文件的遍历和检索，完成多文档全文检索系统的 设计与开发，为用户提供一个快捷、安全的信息检索渠道。 文章主要介绍了中文形式的全文检索的相关技术，重点介绍了Clucene，它是 一种全文检索引擎工具包。倒排索引是Clucene采用的一种主要结构方式， 它采 用分块索引，可以对新文件建立小文件索引。它与早期的索引结构相比，更便于 索引的构建、更新、维护，还能有效地提高索引的速度。 由于目前 CLucene 的处理对象局限于纯文本数据，所以本文使用 VBA 技术以 及 OFFICE 自动化的相关技术，实现了一种对 WORD 文档的文本抽取工具，将 WORD 文档转化为 TXT 格式的文本文档，然后再通过 CLucene 的索引机制对这些海量的 文档执行索引操作。基于 CLucene 的索引器应用非常的广泛，它目前主要应用于 专业文献检索系统，同时还可以应用于搜索引擎系统。 文章的最后在对系统设计与实现中的关键点如：查询接口、检索结果返回、 实现对中文分词的查准率和查全率、避免中英文连用时检索出错的处理等问题进 行了论述，并提出了自己的见解，希望能对读者有一些帮助。 关键词：全文检索，CLucene，WORD ，索引，文本抽取 I ABSTRACT With the computer technology and network technology, the rapid development of a variety of formats rapid expansion of the number of electronic documents, which mainly Among them, word document, in which vast amounts of documentation on how quickly and effectively find the information they need to become a reality. Full-text retrieval system is to meet these needs of people born out. Full text search is a modern information retrieval technology, an important branch, it greatly improves the data from a large number of complex and complicated to find specific information more efficient. The main task of this study to design a word document format for the full text of the multi-document retrieval tools to achieve the specified directory or file directory traversal and retrieval of complete multi-document text retrieval system design and development, to provide users with a fast, secure channel for information retrieval. This thesis related to the Chinese full-text search technology was more in-de