[发明专利]一种政务电子文档的内容分析提取系统

权利要求书

1.一种政务电子文档的内容分析提取系统，其特征在于，可以实现两个目的，分别如下：

(1)、提供对各种电子文档的内容抽取和html、asp、jsp、php等页面内容提取，同时提供对内容的关键要素进行提取，例如对于政务新闻提取标题、内容、时间、作者；对于政府信息公开除了提取新闻的要素外还提取索引号、文号、信息分类、发布机构，支持按需扩展自定义要素的规则；

(2)、提供并接受多种渠道的文档内容分析提取请求，并提供异步处理方案使系统之间解耦。

2.如权利要求1所述的一种政务电子文档的内容分析提取系统，其特征在于，所述目的(1)的技术方案如下：

a、接收文件；

b、判断传来的文件类型；

c、使用对应文件类型的内容抽取模块来读取整个文件内容；

d、对于电子文档继续抽取文件的Metadata；

e、对于网页文件抽取页面的head中的title、meta；

f、对于电子文档需要使用特征来分析内容；

g、对于网页需要使用密度以及规则来分析内容；

h、将结果封装成统一格式返回。

3.如权利要求1所述的一种政务电子文档的内容分析提取系统，其特征在于，所述目的(2)的技术方案如下：

同步：提供REST接口，对接系统可以POST文件或者URL地址，系统接收后同步处理将提取结果返回，期间对接系统需要等待；

异步：提供使用消息中间件的交互方式，对接系统将需要处理的文件或者URL发送给消息中间件，由消息中间件发送给文档内容分析提取系统，系统处理完毕后将结果返回给消息中间件，对接系统通过接收消息来处理结果，期间对接系统可以不用等待提取系统的结果反馈。