CN114168798A - 文本存储管理与检索方法及装置 - Google Patents
文本存储管理与检索方法及装置 Download PDFInfo
- Publication number
- CN114168798A CN114168798A CN202111387757.7A CN202111387757A CN114168798A CN 114168798 A CN114168798 A CN 114168798A CN 202111387757 A CN202111387757 A CN 202111387757A CN 114168798 A CN114168798 A CN 114168798A
- Authority
- CN
- China
- Prior art keywords
- document
- code character
- processed
- storage
- analysis result
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000004458 analytical method Methods 0.000 claims abstract description 67
- 230000004044 response Effects 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 10
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 238000013461 design Methods 0.000 abstract description 8
- 238000013507 mapping Methods 0.000 abstract description 5
- 238000012545 processing Methods 0.000 description 20
- 238000010586 diagram Methods 0.000 description 16
- 238000004891 communication Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 230000005236 sound signal Effects 0.000 description 4
- 230000001133 acceleration Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000001902 propagating effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/901—Indexing; Data structures therefor; Storage structures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/903—Querying
- G06F16/90335—Query processing
- G06F16/90344—Query processing by using string matching techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/10—Text processing
- G06F40/12—Use of codes for handling textual entities
- G06F40/126—Character encoding
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Audiology, Speech & Language Pathology (AREA)
- General Health & Medical Sciences (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开属于核电技术领域,具体涉及一种文本存储管理与检索方法及装置。本公开运用了分布式文档系统存储核电厂多堆型多类别海量非结构化文档以及对应的分析结果文档,并将文档存储地址作为文档映射存储在关系型数据库中,解决了海量非结构化文档存储问题,利用结果文档的分析结果,设计了基于跳表的分级索引、存储数据快照的四元组信息,使用TF‑IWF方法针对性的对核电厂多堆型多类别的非结构化文档设计了检索结果排序方式的重要指标,相比使用现有的检索引擎架构,本发明更具有轻型、快速以及针对性的优点,因而具有更强的实用性。
Description
技术领域
本发明属于核电技术领域,具体涉及一种文本存储管理与检索方法及装置。
背景技术
随着网络以及相关技术的发展与成熟,人们已经进入到信息量极为丰富的时代。鉴于电厂相关设备相关受控技术文档的数量极为庞大、文档内容类别和格式繁杂,提高用户检索和查阅技术文档以及相关分析文档的速度,如何做到对庞大技术文档中进行快速检索,获取到用户想要的文档是亟需解决的一大问题。
发明内容
为克服相关技术中存在的问题,提供了一种文本存储管理与检索方法及装置。
根据本公开实施例的一方面,提供一种文本存储管理与检索方法,所述方法包括:
存储接收到的待处理文档,并确定所述待处理文档的存储地址;
对所述待处理文档进行解析,得到分析结果文档、编码字符统计文档、中间生成文档,将分析结果文档、编码字符统计文档、中间生成文档存储至数据库,并分别确定分析结果文档、编码字符统计文档、中间生成文档各自的存储地址;
将所述待处理文档的存储地址、所述分析结果文档的存储地址、所述编码字符统计文档的存储地址、所述中间生成文档的存储地址作为一条记录存入数据库,并确定所述记录的唯一标识;
根据所述编码字符统计文档,确定所述编码字符统计文档的数据,所述数据包括所述编码字符统计文档的唯一标识、名称、数据库主键ID、所述编码字符统计文档中包含的编码字符串和每个编码字符串在所述待处理文档中的出现次数将编码字符串排序,其中,每个编码字符串和每个编码字符串在所述待处理文档中的出现次数的以键值对形式存储,键为该编码字符串,值为该编码字符串出现的次数;
根据述编码字符统计文档的数据,设计四元组信息,利用TF-IWF方法计算关键词的重要程度,构建基于链表的索引结构,然后将有序链表中部分索引值提取出来,构建基于跳表的分级索引;
根据关键字和所述分级索引,返回查询响应结果。
在一种可能的实现方式中,根据关键字和所述分级索引,返回查询响应结果,包括:
所述若关键字仅有一个,根据索引查询返回响应结果;
若关键字为多个,查询多个关键词获得相应倒排索引项链表,根据以上数据构建Bitmap数据结构,求交集获得目标文档,返回响应结果。
在一种可能的实现方式中,存储接收到的待处理文档,并确定所述待处理文档的存储地址,包括:
将待处理文档转换为字节流数据,连接到文档存储服务器,根据文档类型上传到文档存储服务器,并且返回源文档存储地址。
在一种可能的实现方式中,对所述待处理文档进行解析,得到分析结果文档、编码字符统计文档、中间生成文档,将分析结果文档、编码字符统计文档、中间生成文档存储至数据库,并分别确定分析结果文档、编码字符统计文档、中间生成文档各自的存储地,包括:
将所述待处理文档的字节输入流上传至智能文档解析与识别系统;
根据编码集数据库的编码字符串,通过识别算法对文档进行识别解析,生成分析结果文档、编码字符统计文档、中间生成文档;
将分析结果文档、编码字符统计文档、中间生成文档采用多线程方式分别上传到文档存储系统,获得分析结果文档、编码字符统计文档、中间生成文档各自的存储地。
根据本公开实施例的另一方面,提供一种文本存储管理与检索装置,所述装置包括:
存储模块,用于存储接收到的待处理文档,并确定所述待处理文档的存储地址;
解析模块,用于对所述待处理文档进行解析,得到分析结果文档、编码字符统计文档、中间生成文档,将分析结果文档、编码字符统计文档、中间生成文档存储至数据库,并分别确定分析结果文档、编码字符统计文档、中间生成文档各自的存储地址;
第一标识模块,用于将所述待处理文档的存储地址、所述分析结果文档的存储地址、所述编码字符统计文档的存储地址、所述中间生成文档的存储地址作为一条记录存入数据库,并确定所述记录的唯一标识;
第二标识模块,用于根据所述编码字符统计文档,确定所述编码字符统计文档的数据,所述数据包括所述编码字符统计文档的唯一标识、名称、数据库主键ID、所述编码字符统计文档中包含的编码字符串和每个编码字符串在所述待处理文档中的出现次数将编码字符串排序,其中,每个编码字符串和每个编码字符串在所述待处理文档中的出现次数的以键值对形式存储,键为该编码字符串,值为该编码字符串出现的次数;
索引模块,用于根据述编码字符统计文档的数据,设计四元组信息,利用TF-IWF装置计算关键词的重要程度,构建基于链表的索引结构,然后将有序链表中部分索引值提取出来,构建基于跳表的分级索引;
返回模块,用于根据关键字和所述分级索引,返回查询响应结果。
在一种可能的实现方式中,所述返回模块包括:
第一返回子模块,用于在所述关键字仅有一个的情况下,根据索引查询返回响应结果;
第二返回子模块,用于在所述关键字为多个的情况下,查询多个关键词获得相应倒排索引项链表,根据以上数据构建Bitmap数据结构,求交集获得目标文档,返回响应结果。
在一种可能的实现方式中,所述存储模块包括:
存储子模块,用于将待处理文档转换为字节流数据,连接到文档存储服务器,根据文档类型上传到文档存储服务器,并且返回源文档存储地址。
在一种可能的实现方式中,所述解析模块包括:
第一解析子模块,用于将所述待处理文档的字节输入流上传至智能文档解析与识别系统;
第二解析子模块,用于根据编码集数据库的编码字符串,通过识别算法对文档进行识别解析,生成分析结果文档、编码字符统计文档、中间生成文档;
上传子模块,用于将分析结果文档、编码字符统计文档、中间生成文档采用多线程方式分别上传到文档存储系统,获得分析结果文档、编码字符统计文档、中间生成文档各自的存储地。
根据本公开实施例的另一方面,提供一种文本存储管理与检索装置,所述装置包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为执行上述的方法。
根据本公开实施例的另一方面,提供一种非易失性计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令被处理器执行时实现上述方法。
本公开的有益效果在于:本公开运用了分布式文档系统存储核电厂多堆型多类别海量非结构化文档以及对应的分析结果文档,并将文档存储地址作为文档映射存储在关系型数据库中,解决了海量非结构化文档存储问题,利用结果文档的分析结果,设计了基于跳表的分级索引、存储数据快照的四元组信息,使用TF-IWF方法针对性的对核电厂多堆型多类别的非结构化文档设计了检索结果排序方式的重要指标,相比使用现有的检索引擎架构,本发明更具有轻型、快速以及针对性的优点,因而具有更强的实用性。此外,本公开采用了Bitmap数据结构设计了快速对多个关键词查询结果求交集的方案,将待求交集的文档ID映射为一个比特位,计算机可以快速的进行位运算,相比现有的求数据交集方法,本发明的方法使用更少的存储空间,且可以获得更快的求交集速度。
附图说明
图1是根据一示例性实施例示出的一种文本存储管理与检索方法的流程图。
图2是根据一示例性实施例示出的一种文本存储管理与检索装置的框图。
图3是根据一示例性实施例示出的一种文本存储管理与检索装置的框图。
具体实施方式
下面结合附图及具体实施例对本发明作进一步详细说明。
该方法可以由终端设备执行,例如,终端设备可以为服务器、台式电脑、笔记本电脑、平板电脑等,终端设备也可以例如为用户设备、车载设备或可穿戴设备等,本公开实施例对终端设备的类型不做限定。
图1是根据一示例性实施例示出的一种文本存储管理与检索方法的流程图。如图1所示,该方法包括:
步骤100,存储接收到的待处理文档,并确定所述待处理文档的存储地址;
步骤101,对所述待处理文档进行解析,得到分析结果文档、编码字符统计文档、中间生成文档,将分析结果文档、编码字符统计文档、中间生成文档存储至数据库,并分别确定分析结果文档、编码字符统计文档、中间生成文档各自的存储地址;
步骤102,将所述待处理文档的存储地址、所述分析结果文档的存储地址、所述编码字符统计文档的存储地址、所述中间生成文档的存储地址作为一条记录存入数据库,并确定所述记录的唯一标识;
步骤103,根据所述编码字符统计文档,确定所述编码字符统计文档的数据,所述数据包括所述编码字符统计文档的唯一标识、名称、数据库主键ID、所述编码字符统计文档中包含的编码字符串和每个编码字符串在所述待处理文档中的出现次数将编码字符串排序,其中,每个编码字符串和每个编码字符串在所述待处理文档中的出现次数的以键值对形式存储,键为该编码字符串,值为该编码字符串出现的次数;
步骤104,根据述编码字符统计文档的数据,设计四元组信息,利用TF-IWF方法计算关键词的重要程度,构建基于链表的索引结构,然后将有序链表中部分索引值提取出来,构建基于跳表的分级索引;
步骤105,根据关键字和所述分级索引,返回查询响应结果。
在一种应用示例中,对步骤100至步骤105进行以下说明:
(1)获取用户上传源文档存储。具体而言,本步骤用户在上传源文档(待处理文档的示例,源文档类型一般为.docx)时,服务端会将文档转换为字节流数据,连接到FastDFS(一种分布式文档系统)的客户端,根据文档类型上传到FastDFS的文档存储服务器,并且返回源文档存储地址。
(2)将源文档分析,获取结果文档并存储,包含以下子步骤:
(2-1)步骤(1)将源文档字节输入流上传到文档存储服务器时,也该字节输入流作为输入,转发给智能文档解析与识别系统。
(2-2)智能解析与识别系统根据编码集数据库的编码字符串,通过编码识别算法对文档进行识别、解析,生成分析结果,其中,分析结果包括:分析结果文档、编码字符统计文档、中间生成文档。
(2-3)将分析结果文档采用多线程方式分别上传到文档存储服务器,获得对应的分析结果文档的存储地址。
(3)将步骤(1)步骤(2)获取分析结果文档、编码字符统计文档、中间生成文档各自对应的文档存储地址,作为一条记录存入到关系型数据库Mysql中,利用数据库自增的ID作为文档以及相关文档的唯一标识。
(4)以步骤(2)生成的编码字符统计文档作为输入,首先获取文档名称,去除文档名称后缀,并分词得到关键字数组;将文档作为输入流获取编码字符串,以及对应编码字符串在文档出现的次数,以<key,value>(键值对的示例)格式存储,其中key为编码字符串,value为该编码字符串出现的次数。最后获取文档在数据库中存储的唯一标识ID,作为获取文档存储地址的主键索引。
(5)通过(4)获取的某一个源文档以及相关分析结果文档所需要用作索引的内容,以及文档的唯一记录ID,构建索引,本步骤包括以下子步骤:
(5-1)设文档集合为:T=[t1,t2,……tn]
文档代表源文档以及相关结果文档的信息。T为文档集合,单个文档用ti表示,n为文档集合中文档的总数,i为文档的次序,i为整数,1≤i≤n;因此针对文档集合T中任一文档ti,该文档编码字符串序列是:ti=[w1i,w2i,……wmi]
其中,wji是文档ti源文档分析的编码字符串,m为ti源文档分析的编码字符串的总数,ji为ti源文档分析的编码字符串的次序,j为整数,1≤j≤m,不同文档对应的词项序列会有不同,而且编码字符串出现的次数会有不同,但是所有编码字符串来自编码集数据库。
(5-2)根据步骤(5-1)得到的编码字符串序列建立一个词典,使得:
其中,Qx为词典中的编码字符串,x表示编码字符串映射对应的编码字符串的ID,l为词典中编码字符串的个数,若存在编码字符串wji,且wji≠Qx,则将wji加入词典中,l=l+1。
(5-3)根据(5-2)建立好的词典索引结构,提取出部分索引值,构建基于跳表的分级索引,步骤如下:
步骤1:建立Indez0=[z1,z2……,zn]
其中,Indez0为词典,zi代表编码字符串对应的索引值,i∈[1,n]。
步骤2:按照词典的索引,提取出索引值:z1+skip*m,其中,skip为提取索引值的步长,m表示提取的步进倍数,将提取出来的索引值作为一级索引:
[z1+skip*1,z1+skip*1,……,z1+skip*m]
按照跳表数据结构将一级索引与步骤1中的词典结合,作为二级索引,构建完成分级索引。
(5-4)对每一个文档对应的编码字符串都建立一个对应的四元组:
F(f(Qx),f(ti),TC,Score)=(xi,i,TC,Score)
其中,xi表示文档ti编码字符串Qx映射对应的的ID,i表示编码字符串Qx所在的文档ti映射的文档记录ID,TC表示编码字符串在对应文档ti中出现的次数,Score表示当前文档的该编码字符串在文档集中的重要程度。
Score计算方式如下:
步骤1:计算词频(Term Frequency),统计文档ti的编码字符串wi的出现次数:并且统计文档ti的所有编码字符串的次数,按照以下公式计算出TF:
TF=ni/∑knk
其中,ni是编码字符串wi在文档ti中出现的次数,∑knk是文档ti中所有的编码字符串出现的次数总和。
步骤2:计算IWF(逆向编码字符串频率,Inverse Word Frequency),统计文档编码字符串总数,以及统计待查文档中该词出现在所有文档中的次数,按照以下公式计算出编码字符串wi对应的IWFi:
其中,ni是编码字符串wi在文档ti中出现的次数,m为ti源文档分析的编码字符串的总数。
步骤3:按照以下公式计算出Score:
Score=TFi×IWFi
(5-5)将(5-4)步骤中所得的四元组排序,首先按照x由小到大的顺序进行排序,然后在x相同的情况下,按照i由小到大排序,形成一个有序的四元组形式。
(5-6)根据以上步骤,遍历文档数据,构建完成基于分级索引的倒排索引结构。
三、根据关键字查询获取响应结果,具体包括:
(6)查询文档时,利用关键字查询,根据关键字的个数可以将查询分为两类:
(6-1)关键字仅为一个:将关键字通过建立词典的相同函数,计算出该关键字对应在词典中的编号,进而通过分级索引快速查询到对应四元组信息组成的倒排索引项,得到记录文档ID,可进一步获得到目标文档,根据四元组信息中的TC与Score值排序返回查询结果。
(6-2)关键字多于一个:分别将关键字通过建立词典的相同函数,计算出关键字对应在词典中的编号,进而通过分级索引快速查询关键字各自对应的四元组信息组成的倒排索引项,获得一个倒排索引项集合,为匹配到各关键字组合的结果,利用该集合建立Bitmap数据结构求交,快速获得交集,步骤如下:
步骤1:设某些关键词wi,wj的查询结果对应倒排索引项为:
(x,i1,TC,Score)→(x,i2,TC,Score)...→(x,i18,TC,Score)
(y,i2,TC,Score)→(y,i6,TC,Score)...→(y,i16,TC,Score)
其中假设文档ID对应为:
Li(t)=[2,5,8,12,16]
Lj(t)=[3,6,8,15]
步骤2:根据文档ID序列,构建位图:
Bi(t)=[0100100100010001]
Bj(t)=[0010010100000010]
步骤3:根据前面构建好的Bitmap求交,即各个比特位相与:
R(t)=Bj(t)&Bj(t)=[0000010000000000]
对应结果R(t)位置为1的即是目标文档的ID,然后可进一步获得到目标文档,根据四元组信息中的TC与Score值排序返回查询结果。
总体而言,通过本发明所构思的以上技术方案与现有技术相比,能够获得以下增益效果:
(1)本发明运用了分布式文档系统存储核电厂多堆型多类别海量非结构化文档以及对应的分析结果文档,并将文档存储地址作为文档映射存储在关系型数据库中,解决了海量非结构化文档存储问题,利用结果文档的分析结果,设计了基于跳表的分级索引、存储数据快照的四元组信息,使用TF-IWF方法针对性的对核电厂多堆型多类别的非结构化文档设计了检索结果排序方式的重要指标,相比使用现有的检索引擎架构,本发明更具有轻型、快速以及针对性的优点,因而具有更强的实用性。
(2)本发明采用了Bitmap数据结构设计了快速对多个关键词查询结果求交集的方案,将待求交集的文档ID映射为一个比特位,计算机可以快速的进行位运算,相比现有的求数据交集方法,本发明的方法使用更少的存储空间,且可以获得更快的求交集速度。
在一种可能的实现方式中,提供一种文本存储管理与检索装置,所述装置包括:
存储模块,用于存储接收到的待处理文档,并确定所述待处理文档的存储地址;
解析模块,用于对所述待处理文档进行解析,得到分析结果文档、编码字符统计文档、中间生成文档,将分析结果文档、编码字符统计文档、中间生成文档存储至数据库,并分别确定分析结果文档、编码字符统计文档、中间生成文档各自的存储地址;
第一标识模块,用于将所述待处理文档的存储地址、所述分析结果文档的存储地址、所述编码字符统计文档的存储地址、所述中间生成文档的存储地址作为一条记录存入数据库,并确定所述记录的唯一标识;
第二标识模块,用于根据所述编码字符统计文档,确定所述编码字符统计文档的数据,所述数据包括所述编码字符统计文档的唯一标识、名称、数据库主键ID、所述编码字符统计文档中包含的编码字符串和每个编码字符串在所述待处理文档中的出现次数将编码字符串排序,其中,每个编码字符串和每个编码字符串在所述待处理文档中的出现次数的以键值对形式存储,键为该编码字符串,值为该编码字符串出现的次数;
索引模块,用于根据述编码字符统计文档的数据,设计四元组信息,利用TF-IWF装置计算关键词的重要程度,构建基于链表的索引结构,然后将有序链表中部分索引值提取出来,构建基于跳表的分级索引;
返回模块,用于根据关键字和所述分级索引,返回查询响应结果。
在一种可能的实现方式中,所述返回模块包括:
第一返回子模块,用于在所述关键字仅有一个的情况下,根据索引查询返回响应结果;
第二返回子模块,用于在所述关键字为多个的情况下,查询多个关键词获得相应倒排索引项链表,根据以上数据构建Bitmap数据结构,求交集获得目标文档,返回响应结果。
在一种可能的实现方式中,所述存储模块包括:
存储子模块,用于将待处理文档转换为字节流数据,连接到文档存储服务器,根据文档类型上传到文档存储服务器,并且返回源文档存储地址。
在一种可能的实现方式中,所述解析模块包括:
第一解析子模块,用于将所述待处理文档的字节输入流上传至智能文档解析与识别系统;
第二解析子模块,用于根据编码集数据库的编码字符串,通过识别算法对文档进行识别解析,生成分析结果文档、编码字符统计文档、中间生成文档;
上传子模块,用于将分析结果文档、编码字符统计文档、中间生成文档采用多线程方式分别上传到文档存储系统,获得分析结果文档、编码字符统计文档、中间生成文档各自的存储地。
针对上述装置的说明已经在针对上述方法的说明中进行详细阐述,在此不再赘述。
图2是根据一示例性实施例示出的一种文本存储管理与检索装置的框图。例如,装置800可以是移动电话,计算机,数字广播终端,消息收发设备,游戏控制台,平板设备,医疗设备,健身设备,个人数字助理等。
参照图2,装置800可以包括以下一个或多个组件:处理组件802,存储器804,电源组件806,多媒体组件808,音频组件810,输入/输出(I/O)的接口812,传感器组件814,以及通信组件816。
处理组件802通常控制装置800的整体操作,诸如与显示,电话呼叫,数据通信,相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令,以完成上述的装置的全部或部分步骤。此外,处理组件802可以包括一个或多个模块,便于处理组件802和其他组件之间的交互。例如,处理组件802可以包括多媒体模块,以方便多媒体组件808和处理组件802之间的交互。
存储器804被配置为存储各种类型的数据以支持在装置800的操作。这些数据的示例包括用于在装置800上操作的任何应用程序或装置的指令,联系人数据,电话簿数据,消息,图片,视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。
电源组件806为装置800的各种组件提供电力。电源组件806可以包括电源管理系统,一个或多个电源,及其他与为装置800生成、管理和分配电力相关联的组件。
多媒体组件808包括在装置800和用户之间的提供一个输出接口的屏幕。在一些实施例中,屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板,屏幕可以被实现为触摸屏,以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。触摸传感器可以不仅感测触摸或滑动动作的边界,而且还检测与触摸或滑动操作相关的持续时间和压力。在一些实施例中,多媒体组件808包括一个前置摄像头和/或后置摄像头。当装置800处于操作模式,如拍摄模式或视频模式时,前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件810被配置为输出和/或输入音频信号。例如,音频组件810包括一个麦克风(MIC),当装置800处于操作模式,如呼叫模式、记录模式和语音识别模式时,麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中,音频组件810还包括一个扬声器,用于输出音频信号。
I/O接口812为处理组件802和外围接口模块之间提供接口,上述外围接口模块可以是键盘,点击轮,按钮等。这些按钮可包括但不限于:主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件814包括一个或多个传感器,用于为装置800提供各个方面的状态评估。例如,传感器组件814可以检测到装置800的打开/关闭状态,组件的相对定位,例如组件为装置800的显示器和小键盘,传感器组件814还可以检测装置800或装置800一个组件的位置改变,用户与装置800接触的存在或不存在,装置800方位或加速/减速和装置800的温度变化。传感器组件814可以包括接近传感器,被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器,如CMOS或CCD图像传感器,用于在成像应用中使用。在一些实施例中,该传感器组件814还可以包括加速度传感器,陀螺仪传感器,磁传感器,压力传感器或温度传感器。
通信组件816被配置为便于装置800和其他设备之间有线或无线方式的通信。装置800可以接入基于通信标准的无线网络,如WiFi,2G或3G,或它们的组合。在一个示例性实施例中,通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中,通信组件816还包括近场通信(NFC)模块,以促进短程通信。例如,在NFC模块可基于射频识别(RFID)技术,红外数据协会(IrDA)技术,超宽带(UWB)技术,蓝牙(BT)技术和其他技术来实现。
在示例性实施例中,装置800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述方法。
在示例性实施例中,还提供了一种非易失性计算机可读存储介质,例如包括计算机程序指令的存储器804,上述计算机程序指令可由装置800的处理器820执行以完成上述方法。
图3是根据一示例性实施例示出的一种文本存储管理与检索装置的框图。例如,装置1900可以被提供为一服务器。参照图3,装置1900包括处理组件1922,其进一步包括一个或多个处理器,以及由存储器1932所代表的存储器资源,用于存储可由处理组件1922的执行的指令,例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外,处理组件1922被配置为执行指令,以执行上述方法。
装置1900还可以包括一个电源组件1926被配置为执行装置1900的电源管理,一个有线或无线网络接口1950被配置为将装置1900连接到网络,和一个输入输出(I/O)接口1958。装置1900可以操作基于存储在存储器1932的操作系统,例如Windows ServerTM,MacOS XTM,UnixTM,LinuxTM,FreeBSDTM或类似。
在示例性实施例中,还提供了一种非易失性计算机可读存储介质,例如包括计算机程序指令的存储器1932,上述计算机程序指令可由装置1900的处理组件1922执行以完成上述方法。
本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质,其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身,诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如,通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备,或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令,并转发该计算机可读程序指令,以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码,所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等,以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中,通过利用计算机可读程序指令的状态信息来个性化定制电子电路,例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA),该电子电路可以执行计算机可读程序指令,从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解,流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合,都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器,从而生产出一种机器,使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时,产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中,这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作,从而,存储有指令的计算机可读介质则包括一个制造品,其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上,使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤,以产生计算机实现的过程,从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分,所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
以上已经描述了本公开的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术的技术改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (10)
1.一种文本存储管理与检索方法,其特征在于,所述方法包括:
存储接收到的待处理文档,并确定所述待处理文档的存储地址;
对所述待处理文档进行解析,得到分析结果文档、编码字符统计文档、中间生成文档,将分析结果文档、编码字符统计文档、中间生成文档存储至数据库,并分别确定分析结果文档、编码字符统计文档、中间生成文档各自的存储地址;
将所述待处理文档的存储地址、所述分析结果文档的存储地址、所述编码字符统计文档的存储地址、所述中间生成文档的存储地址作为一条记录存入数据库,并确定所述记录的唯一标识;
根据所述编码字符统计文档,确定所述编码字符统计文档的数据,所述数据包括所述编码字符统计文档的唯一标识、名称、数据库主键ID、所述编码字符统计文档中包含的编码字符串和每个编码字符串在所述待处理文档中的出现次数将编码字符串排序,其中,每个编码字符串和每个编码字符串在所述待处理文档中的出现次数的以键值对形式存储,键为该编码字符串,值为该编码字符串出现的次数;
根据述编码字符统计文档的数据,设计四元组信息,利用TF-IWF方法计算关键词的重要程度,构建基于链表的索引结构,然后将有序链表中部分索引值提取出来,构建基于跳表的分级索引;
根据关键字和所述分级索引,返回查询响应结果。
2.根据权利要求1所述的方法,其特征在于,根据关键字和所述分级索引,返回查询响应结果,包括:
所述若关键字仅有一个,根据索引查询返回响应结果;
若关键字为多个,查询多个关键词获得相应倒排索引项链表,根据以上数据构建Bitmap数据结构,求交集获得目标文档,返回响应结果。
3.根据权利要求1所述的方法,其特征在于,存储接收到的待处理文档,并确定所述待处理文档的存储地址,包括:
将待处理文档转换为字节流数据,连接到文档存储服务器,根据文档类型上传到文档存储服务器,并且返回源文档存储地址。
4.根据权利要求1所述的方法,其特征在于,对所述待处理文档进行解析,得到分析结果文档、编码字符统计文档、中间生成文档,将分析结果文档、编码字符统计文档、中间生成文档存储至数据库,并分别确定分析结果文档、编码字符统计文档、中间生成文档各自的存储地,包括:
将所述待处理文档的字节输入流上传至智能文档解析与识别系统;
根据编码集数据库的编码字符串,通过识别算法对文档进行识别解析,生成分析结果文档、编码字符统计文档、中间生成文档;
将分析结果文档、编码字符统计文档、中间生成文档采用多线程方式分别上传到文档存储系统,获得分析结果文档、编码字符统计文档、中间生成文档各自的存储地。
5.一种文本存储管理与检索装置,其特征在于,所述装置包括:
存储模块,用于存储接收到的待处理文档,并确定所述待处理文档的存储地址;
解析模块,用于对所述待处理文档进行解析,得到分析结果文档、编码字符统计文档、中间生成文档,将分析结果文档、编码字符统计文档、中间生成文档存储至数据库,并分别确定分析结果文档、编码字符统计文档、中间生成文档各自的存储地址;
第一标识模块,用于将所述待处理文档的存储地址、所述分析结果文档的存储地址、所述编码字符统计文档的存储地址、所述中间生成文档的存储地址作为一条记录存入数据库,并确定所述记录的唯一标识;
第二标识模块,用于根据所述编码字符统计文档,确定所述编码字符统计文档的数据,所述数据包括所述编码字符统计文档的唯一标识、名称、数据库主键ID、所述编码字符统计文档中包含的编码字符串和每个编码字符串在所述待处理文档中的出现次数将编码字符串排序,其中,每个编码字符串和每个编码字符串在所述待处理文档中的出现次数的以键值对形式存储,键为该编码字符串,值为该编码字符串出现的次数;
索引模块,用于根据述编码字符统计文档的数据,设计四元组信息,利用TF-IWF装置计算关键词的重要程度,构建基于链表的索引结构,然后将有序链表中部分索引值提取出来,构建基于跳表的分级索引;
返回模块,用于根据关键字和所述分级索引,返回查询响应结果。
6.根据权利要求1所述的装置,其特征在于,所述返回模块包括:
第一返回子模块,用于在所述关键字仅有一个的情况下,根据索引查询返回响应结果;
第二返回子模块,用于在所述关键字为多个的情况下,查询多个关键词获得相应倒排索引项链表,根据以上数据构建Bitmap数据结构,求交集获得目标文档,返回响应结果。
7.根据权利要求1所述的装置,其特征在于,所述存储模块包括:
存储子模块,用于将待处理文档转换为字节流数据,连接到文档存储服务器,根据文档类型上传到文档存储服务器,并且返回源文档存储地址。
8.根据权利要求1所述的装置,其特征在于,所述解析模块包括:
第一解析子模块,用于将所述待处理文档的字节输入流上传至智能文档解析与识别系统;
第二解析子模块,用于根据编码集数据库的编码字符串,通过识别算法对文档进行识别解析,生成分析结果文档、编码字符统计文档、中间生成文档;
上传子模块,用于将分析结果文档、编码字符统计文档、中间生成文档采用多线程方式分别上传到文档存储系统,获得分析结果文档、编码字符统计文档、中间生成文档各自的存储地。
9.一种文本存储管理与检索装置,其特征在于,所述装置包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为执行权利要求1至4中任意一项所述的方法。
10.一种非易失性计算机可读存储介质,其上存储有计算机程序指令,其特征在于,所述计算机程序指令被处理器执行时实现权利要求1至4中任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111387757.7A CN114168798A (zh) | 2021-11-22 | 2021-11-22 | 文本存储管理与检索方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111387757.7A CN114168798A (zh) | 2021-11-22 | 2021-11-22 | 文本存储管理与检索方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114168798A true CN114168798A (zh) | 2022-03-11 |
Family
ID=80479991
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111387757.7A Pending CN114168798A (zh) | 2021-11-22 | 2021-11-22 | 文本存储管理与检索方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114168798A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112988668A (zh) * | 2021-03-26 | 2021-06-18 | 瀚高基础软件股份有限公司 | 基于PostgreSQL的流式文档处理方法、装置以及装置的应用方法 |
CN115374320A (zh) * | 2022-10-25 | 2022-11-22 | 北京国电通网络技术有限公司 | 文本匹配方法、装置、电子设备、计算机介质和程序产品 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080126335A1 (en) * | 2006-11-29 | 2008-05-29 | Oracle International Corporation | Efficient computation of document similarity |
WO2014161201A1 (en) * | 2013-04-05 | 2014-10-09 | Hewlett-Packard Development Company, L.P. | Keyword search on databases |
CN105630803A (zh) * | 2014-10-30 | 2016-06-01 | 国际商业机器公司 | 文档型数据库建立索引的方法和装置 |
CN107346325A (zh) * | 2016-05-04 | 2017-11-14 | 中国石油集团长城钻探工程有限公司 | 信息查询方法及装置 |
CN110334178A (zh) * | 2019-03-28 | 2019-10-15 | 平安科技(深圳)有限公司 | 数据检索方法、装置、设备及可读存储介质 |
CN110457521A (zh) * | 2018-05-07 | 2019-11-15 | 苹果公司 | 歌词搜索服务 |
CN113204621A (zh) * | 2021-05-12 | 2021-08-03 | 北京百度网讯科技有限公司 | 文档入库、文档检索方法,装置,设备以及存储介质 |
-
2021
- 2021-11-22 CN CN202111387757.7A patent/CN114168798A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080126335A1 (en) * | 2006-11-29 | 2008-05-29 | Oracle International Corporation | Efficient computation of document similarity |
WO2014161201A1 (en) * | 2013-04-05 | 2014-10-09 | Hewlett-Packard Development Company, L.P. | Keyword search on databases |
CN105630803A (zh) * | 2014-10-30 | 2016-06-01 | 国际商业机器公司 | 文档型数据库建立索引的方法和装置 |
CN107346325A (zh) * | 2016-05-04 | 2017-11-14 | 中国石油集团长城钻探工程有限公司 | 信息查询方法及装置 |
CN110457521A (zh) * | 2018-05-07 | 2019-11-15 | 苹果公司 | 歌词搜索服务 |
CN110334178A (zh) * | 2019-03-28 | 2019-10-15 | 平安科技(深圳)有限公司 | 数据检索方法、装置、设备及可读存储介质 |
CN113204621A (zh) * | 2021-05-12 | 2021-08-03 | 北京百度网讯科技有限公司 | 文档入库、文档检索方法,装置,设备以及存储介质 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112988668A (zh) * | 2021-03-26 | 2021-06-18 | 瀚高基础软件股份有限公司 | 基于PostgreSQL的流式文档处理方法、装置以及装置的应用方法 |
CN112988668B (zh) * | 2021-03-26 | 2022-10-14 | 瀚高基础软件股份有限公司 | 基于PostgreSQL的流式文档处理方法、装置以及装置的应用方法 |
CN115374320A (zh) * | 2022-10-25 | 2022-11-22 | 北京国电通网络技术有限公司 | 文本匹配方法、装置、电子设备、计算机介质和程序产品 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11120078B2 (en) | Method and device for video processing, electronic device, and storage medium | |
CN107491541B (zh) | 文本分类方法及装置 | |
CN111581488B (zh) | 一种数据处理方法及装置、电子设备和存储介质 | |
CN110472091B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN111612070B (zh) | 基于场景图的图像描述生成方法及装置 | |
KR102412397B1 (ko) | 연관된 사용자를 추천하는 방법 및 디바이스 | |
CN111539410B (zh) | 字符识别方法及装置、电子设备和存储介质 | |
CN108073606B (zh) | 一种新闻推荐方法和装置、一种用于新闻推荐的装置 | |
CN109144285B (zh) | 一种输入方法和装置 | |
CN111259967B (zh) | 图像分类及神经网络训练方法、装置、设备及存储介质 | |
WO2022247128A1 (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN114168798A (zh) | 文本存储管理与检索方法及装置 | |
CN112269904B (zh) | 数据处理方法及装置 | |
CN108345625B (zh) | 一种信息挖掘方法和装置、一种用于信息挖掘的装置 | |
CN110232181B (zh) | 评论分析方法及装置 | |
CN112926310B (zh) | 一种关键词提取方法及装置 | |
CN114168808A (zh) | 基于正则表达式的文档字符串编码识别方法及装置 | |
CN113987128A (zh) | 相关文章搜索方法、装置、电子设备和存储介质 | |
CN113869063A (zh) | 数据推荐方法、装置、电子设备及存储介质 | |
CN112328809A (zh) | 实体分类方法、装置及计算机可读存储介质 | |
CN110070046B (zh) | 人脸图像识别方法及装置、电子设备和存储介质 | |
CN109460458B (zh) | 查询改写意图的预测方法及装置 | |
WO2023092975A1 (zh) | 图像处理方法及装置、电子设备、存储介质及计算机程序产品 | |
CN112131999B (zh) | 身份确定方法及装置、电子设备和存储介质 | |
CN106959970B (zh) | 词库、词库的处理方法、装置和用于处理词库的装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |