[发明专利]一种数字化地质资料包目录与文件关联关系自动识别方法

说明书

本发明提供了一种数字化地质资料包目录与文件关联关系自动识别方法，包括如下步骤：(1)遍历过程：按逐级深入的方式，对地质资料包每个子目录与文件进行遍历扫描；(2)关联关系类别定义，建立不同目录与文件类型之间的基本关联关系表，根据基本关联关系表，为各种目录与文件类型之间的关联关系进行定义；(3)关联类型识别与客体提取技术过程，循环结束则输出目录文件列表。

技术领域

本发明涉及数字化地质资料信息处理技术领域，尤其涉及一种数字化地质资料包目录与文件关联关系自动识别方法。

背景技术

数字化地质资料是地质工作形成的信息资源，是地质勘查和科学研究的依据与基础，具有重要的保存价值和服务利用价值。数字化地质资料内容包含各种有原始地质资料、实物地质资料与成果地质资料数字化后的各种内容，譬如各种报告、地质图件图、统计表格、实物照片视频等，不同内容与形式特征如下：

1)文字资料：包括各种地质报告、地质文献等文字资料，文件格式有Word、PDF、TXT、HTML、CAJ、PPT等；

2)地图资料：包括各种地质图、剖面图、物化探图等跟地质工作相关的各种图件资料，文件格式有MapGIS、ArcGIS、MapInfo、Surfer、Grapher、CorelDRAW、CAD等；

3)表格资料：包括各种钻孔与巷道等编录、采样与样品分析测试、其它记录与列表等表数据，文件格式有Excel、CSV、DBF、MDB等；

4)图片资料：包括各种野外与室内照片、地质文档插图、地图制图输出、遥感影像等图片型数据，文件格式有JPG、BMP、TIF、IMG等；

5)影音资料：包括各种记录地质及相关信息的语音、视频、动画等，文件格式有AVI、MPG、WMV、MP3/4等。

地质资料多数情况下是多种内容与形式的集合体，对应一个地质项目或工程，其所有相关地质资料的集合可以称之为地质资料包，通常情况下地质资料包在未进行规范化整理与登记及录入相应的管理系统前均是在文件系统中以文件夹(含子目录与文件)的形式存储。

存于文件夹下的不同内容的地质资料其数字化文件格式类型可能相同、亦可能不同，如地质报告可能是Word文件、亦可能是PDF文件；同一格式类型的文件其实际文档性质亦可能不同，譬如后缀名为DBF的文件可能是ESRI Shapefile中的属性文件、亦可能是FoxPro/dBase等数据库表文件；目录或同一扩展名文件，从管理的需求上有时需进一步分类；另外，地质资料文件夹中的某些子目录具有特殊性质，需当作某种文件或特殊目录处理。此类复杂的类型关系一般需要有经验的专业人员才能很好地判断、清理、登记，使之适用于后续的各种可能的人为或计算机管理。

文件类型的识别一般通过文件扩展名来识别，通过扩展名操作系统(或应用系统)能初步确定文件类型与打开方式，但是扩展名是可以随意修改的。事实上，所有的文件都是以二进制的形式进行存储的，本质上没有差别，之所以类型及使用方法不同，只是因为其内容的组织形式不同。在每一个文件(包括图片，视频或其他的非ASCII文件)的开头(十六进制表示)实际上都有一片区域来显示这个文件的实际类型，这就是文件头标志，一般情况下不同的类型的文件其文件头标志不同，但亦存在相同文件头的情况。

文件夹中的子目录被当成目录处理，一般没做进一步的识别。在不同用途条件下的目录或同扩展名文件的进一步分类一般未涉及。

针对地质资料文件类型的识别，现有技术采用扩展名识别、通过人工判断或计算机识别文件类型。人工判断需要有经验的操作人员才能完成，速度慢、效率低、无法避免人为疏忽带来的判断错误；计算机判断无法有效避免具有相同文件扩展名、但实际类型不同文件的类型误判。

基于文件系统的文件之间的关联及目录与文件之间的关联，一般由目录或文件的生产者或管理者(软件系统或人)维护。