本發(fā)明涉及文檔處理技術(shù)領(lǐng)域，具體涉及一種基于附加數(shù)據(jù)的文檔檢索方法及系統(tǒng)。

背景技術(shù)：

文檔是信息的載體，有多種格式，如pdf，jpeg等圖片格式，txt文檔，微軟office文檔，wps文檔等等。對文檔進(jìn)行檢索，是利用信息和知識的一種手段，效率越高越好。文檔檢索常見的兩種方式是，基于文件名及基于文件內(nèi)容。在常用的操作系統(tǒng)中，系統(tǒng)本身也提供了文件檢索的手段，如在windows系統(tǒng)上，通過dir命令檢索文件名，通過find，findstr等命令檢索文件內(nèi)容，甚至有更方便易用的軟件，如everything檢索文件名，surffind檢索文件內(nèi)容。在linux和mac系統(tǒng)上，無論是系統(tǒng)還是第三方軟件，都提供了檢索文檔名或文檔內(nèi)容的手段。

上述方法存在的問題是，通過文件名標(biāo)識信息內(nèi)容，長度有限，如在windowsnt系統(tǒng)上，如果不進(jìn)行特殊處理，文件路徑最大只支持260個字符；基于內(nèi)容搜索，則是二進(jìn)制匹配，對于非文本內(nèi)容，需要做特殊處理，如對圖像需要進(jìn)行復(fù)雜的處理與識別，對微軟office文檔則需要進(jìn)行格式轉(zhuǎn)換或?qū)ｉT開發(fā)插件，對pdf文檔也需要復(fù)雜的處理。雖然現(xiàn)在發(fā)展了各種技術(shù)手段，使得文檔檢索越來越方便，如googledesktop等，但仍然存在各種問題。

人類的大腦是最好的工具，如果由人腦來處理一篇文檔，并將分類，摘要等信息存儲到文檔中，依此來進(jìn)行檢索，將能提供準(zhǔn)確的檢索結(jié)果，大大提高利用知識的效率?；蛘呋诂F(xiàn)有技術(shù)手段，分析處理后將信息以統(tǒng)一格式存儲到文檔中，方便后續(xù)檢索利用。

將信息存儲到文檔中，類似的方法有確保二進(jìn)制文件完整性的數(shù)字簽名，簽名后，會將簽名信息存入二進(jìn)制文件中；還有exif(exchangeableimagefileformat)，可交換圖像文件格式，可以附加到j(luò)peg，tiff，riff等文件中，其中可以存儲各種信息。但遺憾的是，并沒有適用于所有文檔類型的通用方法。

本發(fā)明提出并實(shí)現(xiàn)一種基于附加屬性且適用于所有文檔類型的檢索方法，該方法通過為文檔添加附加數(shù)據(jù)，在其中保存分類標(biāo)簽，摘要等信息，以完成高效精確的基于內(nèi)容的文檔檢索。

現(xiàn)有技術(shù)對文檔添加注釋等附加，要么是專有格式，要么與文檔本身分離，要么會因?yàn)閷ξ臋n處理而丟失附加信息。

技術(shù)實(shí)現(xiàn)要素：

為解決上述技術(shù)問題，本發(fā)明提供了一種基于附加數(shù)據(jù)的文檔檢索方法，該方法包括以下步驟：

(1)用戶基于對文檔內(nèi)容的理解，輸入關(guān)鍵信息，或自動掃描文檔并提取關(guān)鍵信息；

(2)將所述關(guān)鍵信息以附加數(shù)據(jù)形式，存入所述文檔；

(3)打開/編輯所述文檔時，跳過所述附加數(shù)據(jù)，從文檔真實(shí)數(shù)據(jù)起始位置進(jìn)行讀寫；文檔保存時，所述附加數(shù)據(jù)依然存在，且該附加數(shù)據(jù)能夠被編輯；

(4)執(zhí)行文檔檢索時，首先判斷所述文檔是否存在附加數(shù)據(jù)，如果存在，針對附加數(shù)據(jù)進(jìn)行基于內(nèi)容的檢索；如果不存在附加數(shù)據(jù)，則以二進(jìn)制方式檢索或跳過。

優(yōu)選的，所述步驟(1)提取的關(guān)鍵信息包括：分類標(biāo)簽、內(nèi)容摘要；并將提取的所述關(guān)鍵信息統(tǒng)一轉(zhuǎn)換為標(biāo)準(zhǔn)的編碼格式，使其與所述文檔的格式無關(guān)。

優(yōu)選的，所述步驟(2)將上述關(guān)鍵信息，以附加數(shù)據(jù)形式，與文檔原始數(shù)據(jù)存放在一起。

優(yōu)選的，所述步驟(3)具體包括：所述打開/編輯文檔時，自動跳過所述附加數(shù)據(jù)，從文檔真實(shí)數(shù)據(jù)起始位置進(jìn)行讀寫，確保文檔可以正常打開/編輯，而附加信息不會丟失，同時也可以隨時編輯文檔附加數(shù)據(jù)。

優(yōu)選的，所述步驟(4)具體包括：執(zhí)行所述文檔檢索時，首先判斷被檢索的文檔是否存在附加數(shù)據(jù)，若存在，針對該附加數(shù)據(jù)進(jìn)行基于內(nèi)容的檢索；如果不存在附加數(shù)據(jù)，則以普通的二進(jìn)制方式檢索或跳過。

為解決上述技術(shù)問題，本發(fā)明提供了一種基于附加數(shù)據(jù)的文檔檢索系統(tǒng)，該系統(tǒng)包括：

關(guān)鍵信息提取模塊，用戶基于對文檔內(nèi)容的理解，輸入關(guān)鍵信息，或自動掃描文檔并提取關(guān)鍵信息；

關(guān)鍵信息保存模塊，將所述關(guān)鍵信息以附加數(shù)據(jù)形式，存入所述文檔；

關(guān)鍵信息編輯模塊，打開/編輯所述文檔時，跳過所述附加數(shù)據(jù)，從文檔真實(shí)數(shù)據(jù)起始位置進(jìn)行讀寫；文檔保存時，所述附加數(shù)據(jù)依然存在，且該附加數(shù)據(jù)能夠被編輯；

文檔信息檢索模塊，接收文檔檢索命令，判斷所述文檔是否存在附加數(shù)據(jù)，如果存在，針對附加數(shù)據(jù)進(jìn)行基于內(nèi)容的檢索；如果不存在附加數(shù)據(jù)，則以二進(jìn)制方式檢索或跳過。

優(yōu)選的，所述關(guān)鍵信息提取模塊提取的關(guān)鍵信息包括：分類標(biāo)簽、內(nèi)容摘要；并將提取的所述關(guān)鍵信息統(tǒng)一轉(zhuǎn)換為標(biāo)準(zhǔn)的編碼格式，使其與所述文檔的格式無關(guān)。

優(yōu)選的，所述關(guān)鍵信息保存模塊，將所述關(guān)鍵信息以附加數(shù)據(jù)形式，存入所述文檔。

優(yōu)選的，所述關(guān)鍵信息編輯模塊，在打開/編輯文檔時，自動跳過所述附加數(shù)據(jù)，從文檔真實(shí)數(shù)據(jù)起始位置進(jìn)行讀寫，確保文檔可以正常打開/編輯，而附加信息不會丟失，同時也可以隨時編輯文檔附加數(shù)據(jù)。

為解決上述技術(shù)問題，本發(fā)明提供了一種計算機(jī)存儲介質(zhì)，其包括計算機(jī)程序指令，當(dāng)執(zhí)行該計算機(jī)程序指令時，執(zhí)行所述方法之一。

本發(fā)明的技術(shù)方案取得了以下技術(shù)效果：

1)通過將用戶輸入或自動提取的關(guān)鍵信息，以附加數(shù)據(jù)形式同文檔原始數(shù)據(jù)保存在一起，使得可供檢索/查看的關(guān)鍵信息與文檔格式無關(guān)。

2)通過本方法提出的完整技術(shù)解決方案，可以使人類大腦參與其中，大幅度提升檢索的速度和準(zhǔn)確度。

附圖說明

圖1是基于附加數(shù)據(jù)的文檔檢索處理流程圖

具體實(shí)施方式

名詞解釋：

exif:exchangeableimagefileformat，可交換圖像文件格式，是專門為數(shù)碼相機(jī)的照片設(shè)定的，可以記錄數(shù)碼照片的屬性信息和拍攝數(shù)據(jù)。

everything，一個windows平臺支持ntfs卷的文件/文件夾搜索工具。

surffind，一個開源軟件，用于搜索文件內(nèi)容。

為了解決上述技術(shù)問題，本發(fā)明中提出了基于附加數(shù)據(jù)的文檔檢索方法，針對各種文檔格式?jīng)]有統(tǒng)一的內(nèi)容檢索方法，造成檢索不精確的需求，解決了文檔精確檢索的問題。本方法從附加信息的存儲，打開/編輯文檔時附加信息的處理，附加信息的提取三個方面的技術(shù)問題著手，形成了全新的文檔檢索解決方案。

首先，通過人工方式或程序自動掃描方式，將關(guān)鍵信息提取出來。

其次，將關(guān)鍵信息以附加數(shù)據(jù)形式，同文檔原始數(shù)據(jù)存儲在一起。

再次，為確保用戶能夠正常打開/編輯文檔，在打開/編輯文檔時，需要跳過附加數(shù)據(jù)，從文檔原始數(shù)據(jù)處開始讀寫。

再次，檢索時，如果判斷文檔有附加數(shù)據(jù)，則提取附加數(shù)據(jù)，基于附加數(shù)據(jù)進(jìn)行檢索。

本發(fā)明提出的基于附加數(shù)據(jù)的文檔檢索方法的信息處理過程如圖1所示，其中包括了提取關(guān)鍵信息，以附加數(shù)據(jù)保存關(guān)鍵信息，打開/編輯時處理附加數(shù)據(jù)，檢索時提取附加數(shù)據(jù)共4個處理模塊，通過這一系列的信息處理，形成了基于附加數(shù)據(jù)的文檔檢索方法。下面對這4個信息處理模塊逐一進(jìn)行介紹：

(1)提取關(guān)鍵信息

用戶手工輸入關(guān)鍵信息，或程序自動提取關(guān)鍵信息。如對圖片，根據(jù)圖片內(nèi)容，添加注釋信息；對pdf文檔等，根據(jù)文檔內(nèi)容，提取主要內(nèi)容的摘要信息等。用戶還可以根據(jù)自己的分類習(xí)慣，添加標(biāo)簽等信息。這些關(guān)鍵信息進(jìn)行統(tǒng)一編碼，如編碼為utf-8或unicode，使其與文檔格式和編碼無關(guān)，同時便于檢索處理。

(2)，以附加數(shù)據(jù)保存關(guān)鍵信息

將上述關(guān)鍵信息，以附加數(shù)據(jù)形式與文檔原始數(shù)據(jù)一起保存。為便于處理，默認(rèn)8k頭部，即附加數(shù)據(jù)最大8k，8k頭后面就是文檔的原始數(shù)據(jù)。

(3)，打開/編輯時處理附加數(shù)據(jù)

打開/編輯文檔時，根據(jù)附加數(shù)據(jù)標(biāo)記判斷是否有附加數(shù)據(jù)，如果有，將跳過附加數(shù)據(jù)，根據(jù)上述(2)，跳過8k數(shù)據(jù)，從文檔原始數(shù)據(jù)起始位置開始讀寫。關(guān)閉文件時，附加信息也寫入其原始位置(8k頭內(nèi))，不會丟失。

(4)，提取附加數(shù)據(jù)

檢索時，先讀取固定長度的數(shù)據(jù)，根據(jù)上述(2)該長度為8k，判斷是否有特殊標(biāo)記存在。如果有，則說明有附加數(shù)據(jù)，可以將該數(shù)據(jù)用于內(nèi)容檢索。

本發(fā)明提供了一種基于附加數(shù)據(jù)的文檔檢索系統(tǒng)，該系統(tǒng)包括：

關(guān)鍵信息提取模塊，用戶基于對文檔內(nèi)容的理解，輸入關(guān)鍵信息，或自動掃描文檔并提取關(guān)鍵信息；

關(guān)鍵信息保存模塊，將所述關(guān)鍵信息以附加數(shù)據(jù)形式，存入所述文檔；

關(guān)鍵信息編輯模塊，打開/編輯所述文檔時，跳過所述附加數(shù)據(jù)，從文檔真實(shí)數(shù)據(jù)起始位置進(jìn)行讀寫；文檔保存時，所述附加數(shù)據(jù)依然存在，且該附加數(shù)據(jù)能夠被編輯；

文檔信息檢索模塊，接收文檔檢索命令，判斷所述文檔是否存在附加數(shù)據(jù)，如果存在，針對附加數(shù)據(jù)進(jìn)行基于內(nèi)容的檢索；如果不存在附加數(shù)據(jù)，則以二進(jìn)制方式檢索或跳過。

所述關(guān)鍵信息提取模塊提取的關(guān)鍵信息包括：分類標(biāo)簽、內(nèi)容摘要；并將提取的所述關(guān)鍵信息統(tǒng)一轉(zhuǎn)換為標(biāo)準(zhǔn)的編碼格式，使其與所述文檔的格式無關(guān)。

所述關(guān)鍵信息保存模塊，將所述關(guān)鍵信息以附加數(shù)據(jù)形式，存入所述文檔。

所述關(guān)鍵信息編輯模塊，在打開/編輯文檔時，自動跳過所述附加數(shù)據(jù)，從文檔真實(shí)數(shù)據(jù)起始位置進(jìn)行讀寫，確保文檔可以正常打開/編輯，而附加信息不會丟失，同時也可以隨時編輯文檔附加數(shù)據(jù)。

本發(fā)明提供了一種計算機(jī)存儲介質(zhì)，其包括計算機(jī)程序指令，當(dāng)執(zhí)行該計算機(jī)程序指令時，執(zhí)行所述方法之一。

本發(fā)明提供了一種計算機(jī)，其包括處理器和計算機(jī)存儲介質(zhì)，所述計算機(jī)存儲介質(zhì)包括計算機(jī)程序指令，當(dāng)處理器執(zhí)行該計算機(jī)程序指令時，執(zhí)行所述方法之一。

通過本發(fā)明提供的實(shí)施方式，使得文檔關(guān)鍵信息與文檔原始內(nèi)容一起存儲，且與文檔格式無關(guān)，因?yàn)榭梢杂腥四X參與提取關(guān)鍵信息，使得檢索結(jié)果更加精確，提高對信息的利用效率。

以上所述僅為本發(fā)明的較佳實(shí)施例而已，并非用于限定本發(fā)明的保護(hù)范圍。凡在本發(fā)明的精神和原則之內(nèi)，所作的任何修改、等同替換以及改進(jìn)等，均應(yīng)保護(hù)在本發(fā)明的保護(hù)范圍之內(nèi)。