通用企業(yè)文檔管理檢索系統(tǒng)研究

楊柯 張道平

摘 要：用于溝通和記錄的文檔對(duì)于企業(yè)是非常重要的，但是企業(yè)在進(jìn)行文檔管理的過程中，經(jīng)常會(huì)碰到以下的問題：文檔數(shù)量多管理困難、分布零散查找緩慢、文檔安全無法保障、文檔無法有效協(xié)作共享。如何有效的管理和高效的利用已有的文檔已經(jīng)成為一個(gè)亟待解決的問題。文章動(dòng)手打造一套企業(yè)內(nèi)部的文檔全文檢索系統(tǒng)，來解決以上問題。

關(guān)鍵詞：企業(yè)內(nèi)部；全文檢索

中圖分類號(hào)：TP315 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1006-8937（2016）15-0078-02

通用企業(yè)文檔管理檢索系統(tǒng)其核心是對(duì)文檔的管理和檢索，將零散大量的文檔像構(gòu)建圖書館一樣分門別類的整合到管理系統(tǒng)中，通過對(duì)文檔建立的索引來快速高效的查找文檔。以此打破傳統(tǒng)文檔在協(xié)作與分享時(shí)存在的壁壘，讓文檔間的溝通和記錄更加自由、實(shí)時(shí)、安全和高效。

1 系統(tǒng)功能描述

文檔的有效管理是實(shí)現(xiàn)文檔高效檢索的前提，一個(gè)功能完善的文檔管理系統(tǒng)在企業(yè)內(nèi)部就相當(dāng)于一個(gè)小型的文檔云服務(wù)。

文檔管理系統(tǒng)的基本功能的就是文檔的存儲(chǔ)、下載和預(yù)覽，企業(yè)內(nèi)部通過文檔管理系統(tǒng)的唯一入口將零散的文檔傳遞到文檔存儲(chǔ)服務(wù)器來存儲(chǔ)，在用戶需要時(shí)為用戶提供文檔預(yù)覽和副本的下載功能。

出于安全考慮，在文檔上傳到文檔存儲(chǔ)服務(wù)器時(shí)，系統(tǒng)會(huì)對(duì)每個(gè)文檔做MD5的校驗(yàn)并為用戶提供原始校驗(yàn)值以便用戶在下載文檔后確定文檔的完整性。同時(shí)MD5信息也會(huì)用于文檔管理系統(tǒng)判定用戶上傳的文檔在管理系統(tǒng)中是否重復(fù)，防止大量存儲(chǔ)重復(fù)的文檔。

在多部門多層級(jí)的企業(yè)內(nèi)部，文檔權(quán)限管理功能確保用戶在使用文檔管理系統(tǒng)時(shí)只能檢索、預(yù)覽和下載與當(dāng)前用戶所具有權(quán)限匹配的文檔，這樣能夠有效保證文檔內(nèi)容的安全，防止機(jī)密信息的泄露。不同角色和用戶也成為了文檔的一個(gè)重要屬性，在檢索過程中能夠根據(jù)不同角色或用戶來篩選文檔。

文檔在不斷的使用過程中會(huì)持續(xù)的進(jìn)行迭代，傳統(tǒng)的文檔版本管理僅僅局限于在文檔內(nèi)容中添加文檔版本管理表來進(jìn)行管理，但文檔前后做出的修改難以詳實(shí)記錄。在通用企業(yè)文檔管理檢索系統(tǒng)中通過對(duì)文檔的版本管理讓文檔的迭代操作更具有實(shí)用性。

那么如何進(jìn)行文檔的檢索呢？文檔屬于非結(jié)構(gòu)化數(shù)據(jù)（全文數(shù)據(jù)），不能像結(jié)構(gòu)化數(shù)據(jù)那樣簡(jiǎn)單的存儲(chǔ)在數(shù)據(jù)庫中進(jìn)行查詢，一般的檢索系統(tǒng)只是根據(jù)文檔的標(biāo)題和一些屬性來搜索與結(jié)果相關(guān)的文檔，而真正高效的檢索文檔就要求不能只根據(jù)文檔標(biāo)題進(jìn)行檢索，而是需要得到文檔的內(nèi)部信息通過全文檢索（Full-text Search）技術(shù)來檢索文檔。

全文檢索是指計(jì)算機(jī)索引程序通過掃描文章中的每一個(gè)詞，對(duì)每一個(gè)詞建立一個(gè)索引，指明該詞在文檔中出現(xiàn)的次數(shù)和位置，當(dāng)用戶檢索時(shí)，檢索程序就根據(jù)事先建立的索引進(jìn)行查找，并將查找的結(jié)果反饋給用戶的檢索方式。這個(gè)過程類似于通過字典中的檢索字表查字的過程。

通俗的考慮，通過字典的偏旁部首表查找一個(gè)生字總會(huì)比盲目的翻看整本字典要快。

為了更快的實(shí)現(xiàn)文檔檢索系統(tǒng)我們選用成熟的開源全文檢索引擎——Lucene全文檢索引擎。Lucene是Apache軟件基金會(huì)的一個(gè)子項(xiàng)目，是一個(gè)開放源代碼的全文檢索引擎工具包，它是一個(gè)全文檢索引擎的架構(gòu)，提供了完整的查詢引擎和索引引擎，部分文本分析引擎。

也就是說，Lucene只是一個(gè)發(fā)動(dòng)機(jī)，而要讓文檔檢索系統(tǒng)“跑起來”還需要我們?yōu)槠浯蛟炱渌考?/p>

在建立索引的過程中首先要將源文檔轉(zhuǎn)換為文本信息，然后對(duì)文本信息進(jìn)行具有語義化的分詞后提供給Lucene存儲(chǔ)為能夠進(jìn)行文本查找的全文檢索庫。

這樣我們?cè)偻ㄟ^Lucene進(jìn)行檢索時(shí)，Lucene就能根據(jù)詞出現(xiàn)的頻率以及相關(guān)度來提供給我們與結(jié)果最匹配的文檔信息。這里就不在詳細(xì)描述Lucene檢索信息的原理。

2 系統(tǒng)架構(gòu)設(shè)計(jì)

文檔管理檢索系統(tǒng)的功能設(shè)計(jì)的體現(xiàn)，如圖1所示。圖中包含了一些提高用戶體驗(yàn)的模塊，比如文檔評(píng)分、評(píng)論模塊用來收集用戶對(duì)文檔的滿意度，文檔操作日志模塊用于記錄文檔發(fā)生任何變化的相關(guān)信息。

這個(gè)產(chǎn)品架構(gòu)功能簡(jiǎn)潔，業(yè)務(wù)劃分明確，方便后續(xù)的產(chǎn)品迭代。

在系統(tǒng)的架構(gòu)設(shè)計(jì)方面，為達(dá)到用戶靈活多變的檢索需求，系統(tǒng)要充分考慮數(shù)據(jù)的合理組織，各類數(shù)據(jù)方便、有效的輸入，相關(guān)信息的鏈接和處理，檢索功能的設(shè)計(jì)，以及信息的提供類型和方式。

我們根據(jù)系統(tǒng)要實(shí)現(xiàn)的功能和最終目標(biāo)，設(shè)計(jì)出全文檢索系統(tǒng)結(jié)構(gòu)，整個(gè)系統(tǒng)分為五部分：檢索/管理系統(tǒng)、業(yè)務(wù)接口、索引服務(wù)、文檔服務(wù)和文檔預(yù)覽服務(wù)。

在系統(tǒng)設(shè)計(jì)上為了提高系統(tǒng)的可重用性和降低系統(tǒng)耦合度，系統(tǒng)整體采用面向服務(wù)的體系結(jié)構(gòu)，完全獨(dú)立的開發(fā)部署文檔服務(wù)接口、索引接口并遵循Restful設(shè)計(jì)原則以便兼容其他系統(tǒng)。如圖2所示。

3 系統(tǒng)展示

前期功能很簡(jiǎn)單，但隨著需求的增加我們可以將文檔服務(wù)打造成一個(gè)獨(dú)立的“文檔云服務(wù)”—能夠?qū)悠髽I(yè)其他系統(tǒng)并提供相應(yīng)的文檔管理服務(wù)。

文檔檢索方面我們需要在系統(tǒng)的使用中不斷優(yōu)化Lucene全文檢索引擎的分詞與檢索功能，增加文檔的相關(guān)屬性以便縮小檢索范圍檢索結(jié)果更精確。如圖3所示。

4 結(jié) 語

本文研究的重點(diǎn)是如何有效的管理和高效的利用已有的文檔，通過構(gòu)建通用企業(yè)文檔管理檢索系統(tǒng)使企業(yè)內(nèi)部成員可以輕松地打破文檔交流的壁壘。在全文檢索技術(shù)的幫助下更加精準(zhǔn)的鎖定所需的文檔讓企業(yè)內(nèi)部的文檔在分享中更具有價(jià)值。

參考文獻(xiàn)：

[1] 張儉恭，陳定權(quán).漢字全文檢索系統(tǒng)的關(guān)鍵技術(shù)與實(shí)現(xiàn)[J].現(xiàn)代圖書情 報(bào)技術(shù)，2001，（2）.

[2] 嚴(yán)威，趙政.開發(fā)中文搜索引擎漢語處理的關(guān)鍵技術(shù)[J].計(jì)算機(jī)工程，

1999，（25）.