[发明专利]基于搜索引擎的快速准确定位文件的方法和设备

说明书

本发明涉及基于搜索引擎的快速准确定位文件的方法，包括如下步骤：步骤1、读取本地源文件并载入检索库，其中文件类型包括word、text、ppt、excel、视频和音频；步骤2、对各所述文件进行分段截取，每段生成一文件片段，包括段内容、段行号以及该段所属的文件；步骤3、为所述文件片段添加分词并建立索引文件；步骤4、根据用户的检索词查找与检索词近似的分词，分词所对应的索引文件作为检索结果。本发明采集数据导入检索库，同时对各种文件包括文本、视频、音频，进行分段截取，将文件模块化，生成文件片段，各文件片段对应生成一索引文件，在用户检索时能够精、快、准的定位到用户想要找的目标文件。

技术领域

本发明涉及一种基于搜索引擎的快速准确定位文件的方法和设备，属于信息检索领域。

背景技术

传统的搜索引擎方案是对内部资源的文件名称、标题、创建人、时间等纬度创建索引，方便使用者以关键字的形式定位文件。利用Elasticsearch作为搜索框架，使用java作为开发语言。与google、百度搜索引擎原理类似都是帮助我们用前所未有的速度去处理大规模数据，并支持结构化、非结构化类型数据。

公开号为CN101630315A的发明专利《一种更快速检索方法及系统》，其为解决快速定位信息采用的技术方案是:抽取文档中已标注的待检索对象前若干个字符信息，及已标注的待检索对象后若干个字符信息；将由同一待检索对象抽取的字符信息汇集为一个描述文档，得到该待检索对象对应的描述文档；在所有待检索对象对应的描述文档上建立索引，根据用户的查询词在所有待检索对象对应的描述文档上检索并给出检索结果。该技术方案仅抽取前、后若干字符信息作为描述文档，在描述文档上建立索引，其不能准确且全面反映整个待检索对象所包含的全部信息 ，因此，仍存在漏检，检索结构不准确的问题。

发明内容

为了解决上述技术问题，本发明提供一种基于搜索引擎的快速准确定位文件的方法，其以文件分段的方式对检索库中的文件建立索引文件，不仅能够应用于文本文件，还可以应用于音频、视频文件，实现快速、准确定位文件。

本发明的技术方案一如下：

基于搜索引擎的快速准确定位文件的方法，包括如下步骤：步骤1、读取本地源文件并载入检索库，其中文件类型包括word、text、ppt、excel、视频和音频；

步骤2、对各所述文件进行分段截取，每段生成一文件片段，包括段内容、段行号以及该段所属的文件；

步骤3、将所述文件片段与分词库中的分词进行匹配，将匹配成功的分词添加至文件片段中，然后将该文件片段存入搜索引擎中，生成索引文件；

步骤4、用户输入检索词，利用分词库确定该检索词中包含的分词，查找存在该分词的索引文件，将该些索引文件作为检索结果。

更优地，所述步骤2还包括将文件属性所包含的内容单独生成一文件片段，所述文件属性包括文件标题、创建人、创建时间、修改时间和所属文件。

更优地，所述步骤4中，当用户输入检索词时，根据检索词中所包含的分词在所述文件中出现的频率进行打分，分值权重由系统设定，分值越高，相似度越高，在展示检索结果时，根据分值从高到低排列各索引文件。

更优地，所述word、text类型的文件通过换行标志进行分段截取；所述ppt类型的文件按页分段截取；所述excel类型的文件以行为标志进行分段，每行截取为一个分段文件；所述音频文件将其语音文本根据换行标志进行分段截取；所述视频文件将其字幕根据换行标志进行分段截取。

更优地，在读取本地源文件的过程中，采用批处理程序进行读取。

本发明还提供基于搜索引擎的快速准确定位文件的设备。

本发明技术方案二如下：