[發明專利]文檔索引生成方法及設備

有效

• 申請號: 201910383600.3
• 申請日: 2019-05-09
• 公開（公告）號: CN110096478B
• 公開（公告）日: 2021-06-29
• 發明（設計）人: 徐凱;叢新法;侯青軍;楊通軍;楊哲;高翔;張健釗
• 申請（專利權）人: 中國聯合網絡通信集團有限公司
• 主分類號: G06F16/11
• 分類號: G06F16/11;G06F16/13;G06F16/16;G06F40/289
• 代理公司: 北京同立鈞成知識產權代理有限公司 11205
• 代理人: 張子青;劉芳

本發明實施例提供一種文檔索引生成方法及設備，該方法包括：接收各類型客戶端發送的文件及所述文件對應的元數據信息，其中所述元數據信息存儲在數據庫中，所述文件存儲在本地磁盤；查詢所述數據庫根據所述元數據信息，從所述本地磁盤中獲取等待自動處理的目標文件；對所述目標文件進行解析得到文檔信息；將所述文檔信息進行分詞處理，得到所述文檔信息的檢索詞，并根據預設檢索框架生成所述文檔信息的的索引信息，能夠實現對文檔索引的自動生成，效率較高，可以處理大量文檔信息，可節省人力成本。

技術領域

本發明實施例涉及計算機技術領域，尤其涉及一種文檔索引生成方法及設備。

背景技術

隨著互聯網的迅速發展，互聯網上的文檔信息急劇增加。用戶為了在海量信息中找到所有需要的文檔信息，通常通過根據索引信息找到相關的文檔信息。

目前，為了建立文檔索引，通常的方法是對不同來源的文檔進行人工整理，得到不同的文檔的索引信息，然后上傳至數據庫服務器中，以供用戶檢索。

然而，發明人發現現有的對不同來源的文檔人工整理建立索引信息的過程，當文檔數量較多時，操作繁瑣，需要耗費大量的人力，成本較高。

發明內容

本發明實施例提供一種文檔索引生成方法及設備，以克服現有技術中不同來源的文檔人工整理建立索引信息的過程，當文檔數量較多時，操作繁瑣，需要耗費大量的人力，成本較高的問題。

第一方面，本發明實施例提供一種文檔索引生成方法，包括：

接收各類型客戶端發送的文件及所述文件對應的元數據信息，其中所述元數據信息存儲在數據庫中，所述文件存儲在本地磁盤；

查詢所述數據庫根據所述元數據信息，從所述本地磁盤中獲取等待自動處理的目標文件；

對所述目標文件進行解析得到文檔信息；

將所述文檔信息進行分詞處理，得到所述文檔信息的檢索詞，并根據預設檢索框架生成所述文檔信息的的索引信息。

在一種可能的設計中，在所述接收各類型客戶端發送的文件及所述文件對應的元數據信息之前，還包括：

發送文件抽取信息到各類型客戶端，其中文件抽取信息中包括與所述各類型客戶端對應的允許抽取的文件格式和掃描路徑信息；

其中，允許抽取的文件格式和掃描路徑信息用于指示所述各類型客戶端根據對應的允許抽取的文件格式和掃描路徑信息抽取文件和所述文件對應的元數據信息。

在一種可能的設計中，所述對所述目標文件進行解析得到文檔信息，包括：

獲取所述目標文件的文件格式，并判斷所述目標文件是否存在；

若所述目標文件存在且所述目標文件的文件格式為壓縮文件格式，則對所述目標文件進行解壓得到解壓后的文件，并對所述解壓后的文件進行解析生成所述目標文件的文檔信息；

若所述目標文件存在且所述目標文件的文件格式為非壓縮文件格式，則對所述目標文件進行解析生成所述目標文件的文檔信息。

在一種可能的設計中，判斷所述目標文件是否存在，包括：

通過元數據信息中的文件路徑進行文件查詢，若查詢到文件則確定所述目標文件存在，若不能查詢到文件則確定所述目標文件不存在。

在一種可能的設計中，所述對所述目標文件進行解析生成所述目標文件的文檔信息，包括：

通過開源工具apache tika對目標文件進行解析，獲取所述目標文件的文檔信息。

在一種可能的設計中，所述預設檢索框架為apache lucence框架。