智能检索概要设计(初)-2.docVIP

功能需求 实现对应急平台数据库及文件系统的全文检索，为业务系统查询、检索信息、资料提供底层的技术支持； 实现应急办对互联网（国内外主要新闻媒体、应急相关机构）相关网络信息（包括突发公共事件信息）的监测、获取、及整理。 总体设计 系统构成 根据业务需求，整个智能检索系统由两大部分组成，分别实现不同的功能： 全文检索系统 网络信息雷达 系统架构 全文检索系统： 实现对系统内存储的数据库系统、文件系统等应急数据资源的全文检索功能。 1、技术路线： 基于先进的全文检索开源软件包Lucene， 由Java进行扩展实现。 Lucene源码中共包括7个子包，每个包完成特定的功能： ? Lucene包结构功能表 包名 功能 org.apache.lucene.analysis 语言分析器，主要用于的切词，支持中文主要是扩展此类 org.apache.lucene.document 索引存储时的文档结构管理，类似于关系型数据库的表结构 org.apache.lucene.index 索引管理，包括索引建立、删除等 org.apache.lucene.queryParser 查询分析器，实现查询关键词间的运算，如与、或、非等 org.apache.lucene.search 检索管理，根据查询条件，检索得到结果 org.apache.lucene.store 数据存储管理，主要包括一些底层的I/O操作 org.apache.lucene.util 一些公用类 2、模块构成 整个全文检索功能的实现，主要基于Lucene的软件包扩展实现；重点包括系统数据监控、中文分词的扩展实现、检索应用接口、文件系统适配器、数据库适配器、管理设置维护、词表管理等构成。 Lucene: 实现核心的全文检索功能； 数据监控：实现对系统存储数据变化的动态监控管理，以便进行实时地建立动态索引。 文件系统适配器：实现将不同类型的文档格式Text、HTML、XML、RTF、MS OFFICE文档 (Word/Execl/Powerpoint)和PDF转换成标准的Lucene文件格式，以建立索引。 数据库适配器：实现将不同类型数据系统的数据转化成标准的Lucene文件格式，以建立索引。 管理配置： 实现相关系统的参数配置功能。 词表管理：实现词表（中文分词表、主题词典、同义词典等）维护功能。 检索应用接口：负责各种复杂查询的解释及扩展实现。 中文分词： 实现对中文文档的切分，采用成熟的分词软件实现。 3、接口设计要求 提供标准的Java API接口。 网络信息雷达 实现对设定的目标网站的信息进行实时监控，及时获取最新的相关网页采集到本地，并进行内容分析和过滤、归类等操作。 1、模块构成 信息采集模块（网络爬虫）：对所设置的网站URL信息进行解析，并实现对感兴趣相关网页的下载； 信息过滤模块：实现对网页的过滤功能，自动去处广告、栏目等无用垃圾等信息。 配置管理： 实现对网络信息雷达的相关参数的设置，如监控网站、自动监控时间、线程数量等等； 主题设置： 实现对要监控信息主题的设置，，及关键特征词的维护管理。 Web信息管理：实现对所下载内容的浏览、展示； 消重： 根据网页的内容进行是否重复网页的判断。 分类：实现根据文本的内容进行自动分类处理； 建议外购。 2、技术要求 采用Java语言开发 采用多线程技术 数据可按照文件系统及数据库模式进行存储。 3、技术实现 采用开源软件Heritrix实现，Heritrix是一个爬虫框架，是可扩展的，基于整个Web的，归档网络爬虫工程。 接口设计要求 提供标准的Java API接口。