基于IFilter的非文本文件中抽取文本的关键技术.docVIP

基于IFilter的非文本文件中抽取文本的关键技术 　　摘要：文本抽取是信息检索的一个重要问题。设计并实现了一个利用IFilter接口的过滤器组件，抽取非文本文件的文本信息的程序。对这一设计过程论述了其主要的关键技术。 　　关键词：文本抽取；非文本文件；IFilter接口；过滤器组件 　　中图分类号：TN393.09文献标识码：A文章编号：1009-3044(2011)27-6682-02 　　Key Technologies of Extracting Text of non-Text Files Based on IFilter 　　XU Hui 　　(School of Information Statistics, Guangxi University of Finance Economics, Nanning 530003, China) 　　Abstract: Extracting text is an important issue in information retrieval. This paper designs and implements a program that extracts text message of non-text file by using filter components implementing IFilter interface. It discusses major key technologies of the design process. 　　Key words: text extraction; non-text files; IFilter interface; filter components 　　目前，互联网存在着海量信息，这些信息除了采用HTML、TXT等文本类型格式以外，还有采用DOC、PPT、PDF等二进制格式进行存储和传播，为文档分类、文档聚类、Web信息搜索、信息抽取等应用领域提供丰富的数据源。但是，二进制格式的文档与文本格式的文档不同，不能直接抽取其中的信息。如何将DOC、PPT、PDF等二进制文档中隐含的文本信息抽取出来，成为信息抽取、Web搜索等领域面临的新问题。 　　本文利用Windows的IFilter接口技术和过滤器组件，设计并实现了一个通用的从二进制文档抽取文本信息的程序。本文论述这一程序实现的主要关键技术。 　　1 相关接口简介 　　1.1 IFilter接口 　　IFilter[1]接口是由微软公司索引服务的重要组成部分，其主要作用是抽取非文本文件（如Office文档、PDF文档等）的文本，也可用于抽取如HTML和XML等文本文件中的文本内容，使索引服务建立文件的索引，并通过索引搜索文本。IFilter接口一般应用于搜索引擎。实现IFilter接口的组件称为IFilter组件（亦称过滤器组件）。IFilter组件是进程内的COM服务器，用于提取文件中的文本和属性值。 　　Windows安装了索引服务或Office软件后，会自动安装其标准的IFilter组件：mimefilt.dll（MIME过滤器）、nlhtml.dll（HTML文件过滤器）、offfilt.dll（Office文档过滤器）、query.dll（默认的文本文件过滤器和二进制文件过滤器）。安装Adobe Reader软件时，也自动安装PDF文档的IFilter组件：AcroRdIF.dll。可以使用IFilter Explorer[2]实用工具软件来查看Windows系统已安装的IFilter组件。表1描述了IFilter接口方法[1]。所有实现IFilter接口的组件都提供了这些方法的实现。 　　1.2 IPersistFile接口 　　使用IFilter组件操作文档时，必须实现IPersistFile接口。通过调用IPersistFile接口的方法来加载或保存文档文件。IPersistFile接口定义了5个方法，本文只使用其Load方法，打开文档文件，并初始化文件内容的对象[3]。 　　1.3 IClassFactory接口 　　IClassFactory接口的作用是创建COM组件。COM组件实际上就是一个类，在系统注册表中所有已经注册的COM组件都有唯一的类标识符。要使用这些COM组件，必须实现IClassFactory接口。在获取指向COM组件的类工厂的指针后，调用IClassFactory接口的CreateInstance方法创建COM组件对象。表2描述了IClassFactory接口方法。 　　2 用IFilter组件抽取文本的关键技术 　　利用IFilter组件抽取文档的文本时，首先在系统注册表找到处理该