CN113204621A - 文档入库、文档检索方法,装置,设备以及存储介质 - Google Patents
文档入库、文档检索方法,装置,设备以及存储介质 Download PDFInfo
- Publication number
- CN113204621A CN113204621A CN202110516190.2A CN202110516190A CN113204621A CN 113204621 A CN113204621 A CN 113204621A CN 202110516190 A CN202110516190 A CN 202110516190A CN 113204621 A CN113204621 A CN 113204621A
- Authority
- CN
- China
- Prior art keywords
- document
- target
- determining
- operator
- keyword
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 93
- 238000004458 analytical method Methods 0.000 claims abstract description 68
- 238000011161 development Methods 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 13
- 230000004044 response Effects 0.000 claims description 6
- 238000012937 correction Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000004891 communication Methods 0.000 description 12
- 230000018109 developmental process Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 12
- 238000012545 processing Methods 0.000 description 6
- 239000003795 chemical substances by application Substances 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 208000028399 Critical Illness Diseases 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/3331—Query processing
- G06F16/334—Query execution
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/31—Indexing; Data structures therefor; Storage structures
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开提供了文档入库、文档检索方法,装置,设备以及存储介质,涉及云计算、云存储领域。具体实现方案为:获取入库任务信息,入库任务信息包括目标文档;确定目标文档对应的目标解析算子;利用目标解析算子解析目标文档,确定目标文档的元数据;将目标文档以及元数据入库。本实现方式可以丰富入库的文档类型,提高检索的准确度。
Description
技术领域
本公开涉及计算机技术领域,具体涉及云计算、云存储领域,尤其涉及文档入库、文档检索方法,装置,设备以及存储介质。
背景技术
对于企业以及政府机构而言,存在大量文档。而搜索场景中很常见的一种方式就是文档的搜索。对于政企而言,便利的文档搜索能够极大提升办公的流程以及便利程度。一般需要通过时间、关键字、标签等对文档进行检索,提供原始文档的链接。
发明内容
提供了一种文档入库、文档检索方法,装置,设备以及存储介质。
根据第一方面,提供了一种文档入库方法,包括:获取入库任务信息,入库任务信息包括目标文档;确定目标文档对应的目标解析算子;利用目标解析算子解析目标文档,确定目标文档的元数据;将目标文档以及元数据入库。
根据第二方面,提供了一种文档检索方法,包括:接收文档检索语句;解析文档检索语句,确定至少一个关键词;根据至少一个关键词,检索数据库,确定匹配文档集合,数据库通过如第一方面所描述的文档入库方法得到;输出匹配文档集合。
根据第三方面,提供了一种文档入库装置,包括:任务获取单元,被配置成获取入库任务信息,入库任务信息包括目标文档;算子确定单元,被配置成确定目标文档对应的目标解析算子;元数据确定单元,被配置成利用目标解析算子解析目标文档,确定目标文档的元数据;文档入库单元,被配置成将目标文档以及元数据入库。
根据第四方面,提供了一种文档检索装置,包括:语句接收单元,被配置成接收文档检索语句;关键词确定单元,被配置成解析文档检索语句,确定至少一个关键词;文档检索单元,被配置成根据至少一个关键词,检索数据库,确定匹配文档集合,数据库通过如第一方面所描述的文档入库方法得到;文档输出单元,被配置成输出匹配文档集合。
根据第五方面,提供了一种电子设备,包括:至少一个处理器;以及与上述至少一个处理器通信连接的存储器;其中,存储器存储有可被至少一个处理器执行的指令,上述指令被至少一个处理器执行,以使至少一个处理器能够执行如第一方面所描述的方法或执行如第二方面所描述的方法。
根据第六方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,上述计算机指令用于使计算机执行如第一方面所描述的方法或执行如第二方面所描述的方法。
根据第七方面,一种计算机程序产品,包括计算机程序,上述计算机程序在被处理器执行时实现如第一方面所描述的方法或实现如第二方面所描述的方法。
根据本公开的技术,支持存储更丰富的文档类型,并且针对文档进行针对性的解析,从而能够提升文档解析的多样性,丰富文档解析结果。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案,不构成对本公开的限定。其中:
图1是本公开的一个实施例可以应用于其中的示例性***架构图;
图2是根据本公开的文档入库方法的一个实施例的流程图;
图3是根据本公开的文档入库方法的另一个实施例的流程图;
图4是根据本公开的文档检索方法的一个实施例的流程图;
图5是根据本公开的文档检索方法的另一个实施例的流程图;
图6是根据本公开的文档入库方法、文档检索方法的一个应用场景的示意图;
图7是根据本公开的文档入库装置的一个实施例的结构示意图;
图8是根据本公开的文档检索装置的一个实施例的结构示意图;
图9是用来实现本公开实施例的文档入库方法、文档检索方法的电子设备的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本公开的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
需要说明的是,在不冲突的情况下,本公开中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本公开。
图1示出了可以应用本公开的文档入库方法、文档检索方法或文档入库装置、文档检索装置的实施例的示例性***架构100。
如图1所示,***架构100可以包括终端设备101、102,服务器103,和数据库104、105。网络用以在终端设备101、102和服务器103之间、服务器103和数据库104、105之间提供通信链路的介质。网络可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互,以用于上传文档或者检索文档等。终端设备101、102、103上可以安装有各种通讯客户端应用,例如浏览器类应用等。
终端设备101、102可以是硬件,也可以是软件。当终端设备101、102为硬件时,可以是各种电子设备,包括但不限于智能手机、平板电脑、电子书阅读器、车载电脑、膝上型便携计算机和台式计算机等等。当终端设备101、102软件时,可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供分布式服务),也可以实现成单个软件或软件模块。在此不做具体限定。
服务器103可以是提供各种服务的服务器,例如对终端设备101、102上传的文档进行处理或者对用户通过终端设备101、102发送的请求进行处理的后台服务器。后台服务器可以将文档存储到数据库中,或者可以在接收到用户发送的文档检索请求后检索数据库,并将检索结果发送给终端设备101、102。
需要说明的是,服务器103可以是硬件,也可以是软件。当服务器103为硬件时,可以实现成多个服务器组成的分布式服务器集群,也可以实现成单个服务器。当服务器103为软件时,可以实现成多个软件或软件模块(例如用来提供分布式服务),也可以实现成单个软件或软件模块。在此不做具体限定。
数据库104、105可以是用于存储用户上传的文档的相关信息的数据库,其可以包括关系型数据库和非关系型数据库。数据库中可以存储有文档,还可以存储有文档的元数据。数据库可以是分布式数据库。
需要说明的是,本公开实施例所提供的文档入库方法可以由服务器103执行,文档检索方法也可以由服务器103执行。相应地,文档入库装置可以置于服务器103中,文档检索装置也可以置于服务器103中。
应该理解,图1中的终端设备、服务器和数据库的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、服务器和数据库。
继续参考图2,示出了根据本公开的文档入库方法的一个实施例的流程200。本实施例的文档入库方法,包括以下步骤:
步骤201,获取入库任务信息。
本实施例中,文档入库方法的执行主体(例如图1中的服务器103)可以通过各种方式获取入库任务信息。例如,执行主体可以从通信连接的终端设备获取入库任务信息,或者可以从用于提供文档入库服务的云端备处获取入库任务信息。上述入库任务信息可以包括目标文档。目标文档可以是各种类型的文档,例如Word文档、txt文档、PDF文档、HTML文档等等。
步骤202,确定目标文档对应的目标解析算子。
执行主体在确定目标文档后,可以确定目标文档对应的目标解析算子。具体的,执行主体可以根据预设的对应关系,确定出与目标文档的类型对应的目标解析算子。或者,执行主体可以从预先设置的解析算子集合中随机选取出至少一个解析算子作为目标解析算子。这里,目标解析算子用于解析目标文档,以确定出目标文档的元信息。可以理解的是,不同的解析算子对目标文档中的解析内容不同,得到的结果也不相同。例如,有的解析算子是针对文档的标题、摘要和前两段进行解析,确定其中包括的关键词。有的解析算子是针对文档的全文进行解析,统计各词语的词频。
步骤203,利用目标解析算子解析目标文档,确定目标文档的元数据。
执行主体可以利用目标解析算子解析目标文档,确定目标文档的元数据。上述元数据可以包括标题、结构、作者、时间等等。
步骤204,将目标文档以及元数据入库。
执行主体可以分别将目标文档以及元数据入库。具体的,执行主体分开存储目标文档和元数据。例如,可以将目标文档存储在HBase数据库中,将元数据存在ES数据库中,以方便检索。
本公开的上述实施例提供的文档入库方法,可以为文档确定的对应的解析算子,从而能够解析出丰富的元数据,方便后续的检索。
继续参见图3,其示出了根据本公开的文档入库方法的另一个实施例的流程300。如图3所示,本实施例的方法可以包括以下步骤:
步骤301,获取入库任务信息。
步骤302,确定目标文档对应的目标解析算子。
本实施例中,执行主体可以通过以下步骤确定目标解析算子:
步骤3021,响应于确定入库任务信息中包括解析算子;将入库任务信息中的解析算子作为目标解析算子。
本实施例中,上述入库任务信息中包括解析算子,即用户在请求文档入库时可以自己选定解析算子。其选定的解析算子可以是从预先设置的解析算子集合中确定出来的,也可以是用户自定义开发的。如果入库任务信息中包括解析算子,则执行主体可以将入库任务信息中的解析算子作为目标解析算子。
执行主体还可以通过步骤3032确定目标解析算子:
步骤3032,确定目标文档的类型;根据类型与解析算子的预设对应关系以及目标文档的类型,确定目标解析算子。
本实施例中,执行主体还可以首先确定目标文档的类型。上述类型可以是Word类型、PDF类型、TXT类型等等。考虑到不同类型的文档具有不同的结构,则选用的解析算子也不相同。因此,执行主体可以预先设置类型与解析算子的预设对应关系。然后在上述预设对应关系中查询目标文档的类型对应的解析算子,将查询到的解析算子作为目标解析算子。
步骤303,利用目标解析算子解析目标文档,确定目标文档的元数据。
步骤304,将目标文档以及元数据入库。
在本实施例的一些可选的实现方式中,执行主体在将目标文档入库时,可以生成目标文档的标识以及下载链接。这样,在接收到文档下载请求时,可以将上述下载链接输出给用户,以供用户下载。
步骤305,响应于接收到对解析算子的开发请求,输出预先设置的开发模板。
本实施例中,如果执行主体接收到用户通过终端发送的对解析算子的开发请求,则执行主体可以输出预先设置的开发模板。上述开发模板可以包括输入数据的形式、输出数据的形式,用户可以通过在上述开发模板中填入自定义代码,得到自定义解析算子,然后将上述自定义解析算子发送给执行主体。
步骤306,响应于接收到用户针对开发模板返回的自定义解析算子,存储自定义解析算子。
如果执行主体收到用户针对开发模板返回的自定义解析算子,存储自定义解析算子。这里的存储可以是指将自定义解析算子加入解析算子集合中,实现对解析算子的更新。
本公开的实施例提供的文档入库方法,可以允许用户自定义开发解析算子,提高了用户的便利性。
图4示出了根据本公开的文档检索方法的一个实施例的流程400。
如图4所示,本实施例的方法可以包括以下步骤:
步骤401,接收文档检索语句。
本实施例中,执行主体可以接收文档检索语句。上述文档检索语句中可以包括多个词语。
步骤402,解析文档检索语句,确定至少一个关键词。
执行主体可以对上述文档检索语句进行解析,确定出至少一个关键词。具体的,执行主体可以对文档检索语句进行自然语言理解或分词,确定出多个词语。将上述多个词语作为关键词。
步骤403,根据至少一个关键词,检索数据库,确定匹配文档集合。
执行主体在确定各关键词后,可以利用各关键词检索数据库,确定出匹配文档集合。上述数据库通过图2或图3所示实施例所描述的文档入库方法得到。上述匹配文档集合中的各匹配文档中可以包括上述各关键词中的至少一个。
步骤404,输出匹配文档集合。
执行主体在检索出上述匹配文档集合输出,以供用户浏览或下载。
本公开的上述实施例提供的文档检索方法,可以对根据文档检索语句对图2或图3所示实施例入库的各文档进行检索,提高用户检索体验。
继续参见图5,其示出了根据本公开的文档检索方法的另一个实施例的流程500。如图5所示,本实施例的方法可以包括以下步骤:
步骤501,接收文档检索语句。
步骤502,解析文档检索语句,确定多个词语;对多个词语进行归一和/或纠错,确定至少一个关键词。
本实施例中,执行主体可以解析文档检索语句,确定多个词语。然后,执行主体可以对多个词语进行归一和/或纠错,确定至少一个关键词。这里,归一是指将意思相同的多个词语利用同一个词语表示,这个词语可以是预先设定的,也可以是多个词语中的一个。纠错是指纠正词语中的错字,或者纠正文档检索语句中的错词。上述至少一个关键词中可以包括各种类型的词语,例如可以包括时间、地点、内容等等。例如,文档检索语句为“2019年后A市发生的民典法案件”,则关键词可以包括“2019年以后”、“A市”以及“民典法案件”。
步骤503,根据预设的词语上下级目录,确定至少一个关键词之间是否存在上下级关系;响应于确定至少一个关键词之间不存在上下级关系,并行检索数据库,确定匹配文档集合。
执行主体在检索前,可以首先判断各关键词之间是否存在上下级关系。在具体判断时,可以依据预先设置的词语上下级目录来判断。这里,词语上下级目录可以表示词语间的分类关系。例如“人身保险”可以包括“重疾险”、“医疗险”、“定期寿险”等等。则词语“人身保险”是词语“重疾险”、“医疗险”、“定期寿险”的上级。如果各关键词之间不存在上下级关系,则可以并行检索数据库,确定匹配文档集合。这样可以提高检索效率。
需要说明的是,如果各关键词之间存在上下级关系,则可以首先检索上级词语,得到第一匹配文档集合。然后在第一匹配文档集合中继续检索下级词语,得到匹配文档集合。
步骤504,接收对匹配文档集合中的各文档的排序设置信息;根据排序设置信息,确定匹配文档集合中各文档的排序;输出排序后的匹配文档集合。
本实施例中,执行主体在输出匹配文档集合中的各匹配文档前,还可以接收对匹配文档集合中的各文档的排序设置信息。上述排序设置信息可以包括各关键词的权重,执行主体可以根据上述排序设置信息计算各匹配文档的权重和。根据权重和,确定匹配文档集合中各文档的排序。上述排序设置信息可以是技术人员根据实际应用场景进行设置的。最后,执行主体可以输出排序后的匹配文档集合。
在本实施例的一些可选的实现方式中,上述方法还可以包括以下步骤:响应于接收到针对匹配文档的下载请求,输出匹配文档的下载链接。
在本实施例的一些可选的实现方式中,上述方法还可以包括以下步骤:响应于接收到针对匹配文档的浏览请求,对匹配文档进行展示,在展示时还可以高亮显示各关键词。
本公开的上述实施例提供的文档检索方法,可以在各关键词不存在上下级关系时进行并行检索,提高检索效率;还可以允许用户对各匹配文档进行排序,提高检索的匹配程度。
继续参见图6,其示出了根据本公开的文档入库方法、文档检索方法的一个应用场景的示意图。在图6的应用场景中,用户通过终端设备601上传目标文档和目标解析算子发送给服务器602。服务器602利用上述目标解析算子对目标文档进行解析,确定出目标文档的元数据。然后,将目标文档存储在HBase中,将元数据存储在ES中。在接收到终端设备601的文档检索语句后,可以对文档检索语句进行解析,确定出多个关键词。然后利用上述各关键词检索ES,确定出各匹配文档的标识,然后将各匹配文档显示给终端设备。
进一步参考图7,作为对上述各图所示方法的实现,本公开提供了一种文档入库装置的一个实施例,该装置实施例与图2所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图7所示,本实施例的文档入库装置700包括:任务获取单元701、算子确定单元702、元数据确定单元703和文档入库单元704。
任务获取单元701,被配置成获取入库任务信息,入库任务信息包括目标文档;
算子确定单元702,被配置成确定目标文档对应的目标解析算子;
元数据确定单元703,被配置成利用目标解析算子解析目标文档,确定目标文档的元数据;
文档入库单元704,被配置成将目标文档以及元数据入库。
在本实施例的一些可选的实现方式中,算子确定单元702可以进一步被配置成:响应于确定入库任务信息中包括解析算子;将入库任务信息中的解析算子作为目标解析算子。
在本实施例的一些可选的实现方式中,算子确定单元702可以进一步被配置成:确定目标文档的类型;根据类型与解析算子的预设对应关系以及目标文档的类型,确定目标解析算子。
在本实施例的一些可选的实现方式中,装置700还可以进一步包括图7中未示出的算子开发单元,被配置成:响应于接收到对解析算子的开发请求,输出预先设置的开发模板;响应于接收到用户针对开发模板返回的自定义解析算子,存储自定义解析算子。
应当理解,文档入库装置700中记载的单元701至单元704分别与参考图2中描述的方法中的各个步骤相对应。由此,上文针对文档入库方法描述的操作和特征同样适用于装置700及其中包含的单元,在此不再赘述。
进一步参考图8,作为对上述各图所示方法的实现,本公开提供了一种文档检索装置的一个实施例,该装置实施例与图4所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图8所示,本实施例的文档入库装置800包括:语句接收单元801、关键词确定单元802、文档检索单元803和文档输出单元804。
语句接收单元801,被配置成接收文档检索语句。
关键词确定单元802,被配置成解析文档检索语句,确定至少一个关键词。
文档检索单元803,被配置成根据至少一个关键词,检索数据库,确定匹配文档集合。数据库通过如图2或图3所描述的文档入库方法得到。
文档输出单元804,被配置成输出匹配文档集合。
在本实施例的一些可选的实现方式中,关键词确定单元802可以进一步被配置成:解析文档检索语句,确定多个词语;对多个词语进行归一和/或纠错,确定至少一个关键词。
在本实施例的一些可选的实现方式中,文档检索单元803可以进一步被配置成:根据预设的词语上下级目录,确定至少一个关键词之间是否存在上下级关系;响应于确定至少一个关键词之间不存在上下级关系,并行检索数据库,确定匹配文档集合。
在本实施例的一些可选的实现方式中,文档输出单元804可以进一步被配置成:接收对匹配文档集合中的各文档的排序设置信息;根据排序设置信息,确定匹配文档集合中各文档的排序;输出排序后的匹配文档集合。
应当理解,文档检索装置800中记载的单元801至单元804分别与参考图2中描述的方法中的各个步骤相对应。由此,上文针对文档检索方法描述的操作和特征同样适用于装置800及其中包含的单元,在此不再赘述。
本公开的技术方案中,所涉及的用户个人信息的获取、存储和应用等,均符合相关法律法规的规定,且不违背公序良俗。
根据本公开的实施例,本公开还提供了还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图9示出了根据本公开实施例的执行文档入库方法、文档检索方法的电子设备900的框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图9所示,电子设备900包括处理器901,其可以根据存储在只读存储器(ROM)902中的计算机程序或者从存储器908加载到随机访问存储器(RAM)903中的计算机程序,来执行各种适当的动作和处理。在RAM903中,还可存储电子设备900操作所需的各种程序和数据。处理器901、ROM 902以及RAM 903通过总线904彼此相连。I/O接口(输入/输出接口)905也连接至总线904。
电子设备900中的多个部件连接至I/O接口905,包括:输入单元906,例如键盘、鼠标等;输出单元907,例如各种类型的显示器、扬声器等;存储器908,例如磁盘、光盘等;以及通信单元909,例如网卡、调制解调器、无线通信收发机等。通信单元909允许电子设备900通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器901可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器901的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器901执行上文所描述的各个方法和处理,例如文档入库方法、文档检索方法。例如,在一些实施例中,文档入库方法、文档检索方法可被实现为计算机软件程序,其被有形地包含于机器可读存储介质,例如存储器908。在一些实施例中,计算机程序的部分或者全部可以经由ROM 902和/或通信单元909而被载入和/或安装到电子设备900上。当计算机程序加载到RAM 903并由处理器901执行时,可以执行上文描述的文档入库方法、文档检索方法的一个或多个步骤。备选地,在其他实施例中,处理器901可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行文档入库方法、文档检索方法。
本文中以上描述的***和技术的各种实施方式可以在数字电子电路***、集成电路***、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上***的***(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程***上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储***、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储***、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。上述程序代码可以封装成计算机程序产品。这些程序代码或计算机程序产品可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器901执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读存储介质可以是有形的介质,其可以包含或存储以供指令执行***、装置或设备使用或与指令执行***、装置或设备结合地使用的程序。机器可读存储介质可以是机器可读信号存储介质或机器可读存储介质。机器可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体***、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学存储设备、磁存储设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在计算机上实施此处描述的***和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的***和技术实施在包括后台部件的计算***(例如,作为数据服务器)、或者包括中间件部件的计算***(例如,应用服务器)、或者包括前端部件的计算***(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的***和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算***中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将***的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机***可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务(“Virtual Private Server”,或简称“VPS”)中,存在的管理难度大,业务扩展性弱的缺陷。服务器也可以是分布式***的服务器,或者是结合了区块链的服务器。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本公开保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开的保护范围之内。
Claims (19)
1.一种文档入库方法,包括:
获取入库任务信息,所述入库任务信息包括目标文档;
确定所述目标文档对应的目标解析算子;
利用所述目标解析算子解析所述目标文档,确定所述目标文档的元数据;
将所述目标文档以及所述元数据入库。
2.根据权利要求1所述的方法,其中,所述确定所述目标文档对应的目标解析算子,包括:
响应于确定所述入库任务信息中包括解析算子;
将所述入库任务信息中的解析算子作为目标解析算子。
3.根据权利要求1所述的方法,其中,所述确定所述目标文档对应的目标解析算子,包括:
确定所述目标文档的类型;
根据类型与解析算子的预设对应关系以及所述目标文档的类型,确定所述目标解析算子。
4.根据权利要求1-3任一项所述的方法,其中,所述方法还包括:
响应于接收到对解析算子的开发请求,输出预先设置的开发模板;
响应于接收到用户针对所述开发模板返回的自定义解析算子,存储所述自定义解析算子。
5.一种文档检索方法,包括:
接收文档检索语句;
解析所述文档检索语句,确定至少一个关键词;
根据所述至少一个关键词,检索数据库,确定匹配文档集合,所述数据库通过如权利要求1-4任一项所述的文档入库方法得到;
输出所述匹配文档集合。
6.根据权利要求5所述的方法,其中,所述解析所述文档检索语句,确定至少一个关键词,包括:
解析所述文档检索语句,确定多个词语;
对所述多个词语进行归一和/或纠错,确定至少一个关键词。
7.根据权利要求5或6所述的方法,其中,所述根据所述至少一个关键词,检索数据库,确定匹配文档集合,包括:
根据预设的词语上下级目录,确定所述至少一个关键词之间是否存在上下级关系;
响应于确定所述至少一个关键词之间不存在上下级关系,并行检索数据库,确定匹配文档集合。
8.根据权利要求5-7任一项所述的方法,其中,所述输出所述匹配文档集合,包括:
接收对所述匹配文档集合中的各文档的排序设置信息;
根据所述排序设置信息,确定所述匹配文档集合中各文档的排序;
输出排序后的匹配文档集合。
9.一种文档入库装置,包括:
任务获取单元,被配置成获取入库任务信息,所述入库任务信息包括目标文档;
算子确定单元,被配置成确定所述目标文档对应的目标解析算子;
元数据确定单元,被配置成利用所述目标解析算子解析所述目标文档,确定所述目标文档的元数据;
文档入库单元,被配置成将所述目标文档以及所述元数据入库。
10.根据权利要求9所述的装置,其中,所述算子确定单元进一步被配置成:
响应于确定所述入库任务信息中包括解析算子;
将所述入库任务信息中的解析算子作为目标解析算子。
11.根据权利要求9所述的装置,其中,所述算子确定单元进一步被配置成:
确定所述目标文档的类型;
根据类型与解析算子的预设对应关系以及所述目标文档的类型,确定所述目标解析算子。
12.根据权利要求9-11任一项所述的装置,其中,所述装置还包括算子开发单元,被配置成:
响应于接收到对解析算子的开发请求,输出预先设置的开发模板;
响应于接收到用户针对所述开发模板返回的自定义解析算子,存储所述自定义解析算子。
13.一种文档检索装置,包括:
语句接收单元,被配置成接收文档检索语句;
关键词确定单元,被配置成解析所述文档检索语句,确定至少一个关键词;
文档检索单元,被配置成根据所述至少一个关键词,检索数据库,确定匹配文档集合,所述数据库通过如权利要求1-4任一项所述的文档入库方法得到;
文档输出单元,被配置成输出所述匹配文档集合。
14.根据权利要求13所述的装置,其中,所述关键词确定单元进一步被配置成:
解析所述文档检索语句,确定多个词语;
对所述多个词语进行归一和/或纠错,确定至少一个关键词。
15.根据权利要求13或14所述的装置,其中,所述文档检索单元进一步被配置成:
根据预设的词语上下级目录,确定所述至少一个关键词之间是否存在上下级关系;
响应于确定所述至少一个关键词之间不存在上下级关系,并行检索数据库,确定匹配文档集合。
16.根据权利要求13-15任一项所述的装置,其中,所述文档输出单元进一步被配置成:
接收对所述匹配文档集合中的各文档的排序设置信息;
根据所述排序设置信息,确定所述匹配文档集合中各文档的排序;
输出排序后的匹配文档集合。
17.一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-4中任一项所述的方法或执行权利要求5-8中任一项所述的方法。
18.一种存储有计算机指令的非瞬时计算机可读存储介质,所述计算机指令用于使所述计算机执行权利要求1-4中任一项所述的方法或执行权利要求5-8中任一项所述的方法。
19.一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现根据权利要求1-4中任一项所述的方法或根据权利要求5-8中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110516190.2A CN113204621B (zh) | 2021-05-12 | 2021-05-12 | 文档入库、文档检索方法,装置,设备以及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110516190.2A CN113204621B (zh) | 2021-05-12 | 2021-05-12 | 文档入库、文档检索方法,装置,设备以及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113204621A true CN113204621A (zh) | 2021-08-03 |
CN113204621B CN113204621B (zh) | 2024-05-07 |
Family
ID=77031976
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110516190.2A Active CN113204621B (zh) | 2021-05-12 | 2021-05-12 | 文档入库、文档检索方法,装置,设备以及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113204621B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113656443A (zh) * | 2021-08-24 | 2021-11-16 | 北京百度网讯科技有限公司 | 数据拆解方法、装置、电子设备和存储介质 |
CN113657088A (zh) * | 2021-08-16 | 2021-11-16 | 北京百度网讯科技有限公司 | 接口文档解析方法、装置、电子设备以及存储介质 |
CN114168798A (zh) * | 2021-11-22 | 2022-03-11 | 中核核电运行管理有限公司 | 文本存储管理与检索方法及装置 |
CN116029277A (zh) * | 2022-12-16 | 2023-04-28 | 北京海致星图科技有限公司 | 多模态知识解析的方法、装置、存储介质、设备 |
WO2023236257A1 (zh) * | 2022-06-07 | 2023-12-14 | 来也科技(北京)有限公司 | 文档搜索平台、搜索方法、装置、电子设备及存储介质 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101174273A (zh) * | 2007-12-04 | 2008-05-07 | 清华大学 | 基于元数据分析的新闻事件检测方法 |
US20080183691A1 (en) * | 2007-01-30 | 2008-07-31 | International Business Machines Corporation | Method for a networked knowledge based document retrieval and ranking utilizing extracted document metadata and content |
CN101477568A (zh) * | 2009-02-12 | 2009-07-08 | 清华大学 | 一种结构化数据和非结构化数据综合检索的方法 |
CN102194156A (zh) * | 2010-03-01 | 2011-09-21 | 国网信息通信有限公司 | 一种科技查新方法及*** |
US20120078926A1 (en) * | 2010-09-24 | 2012-03-29 | International Business Machines Corporation | Efficient passage retrieval using document metadata |
CN103218374A (zh) * | 2012-01-21 | 2013-07-24 | 国际商业机器公司 | 用于电子文档定位的方法和*** |
CN103559185A (zh) * | 2013-08-13 | 2014-02-05 | 西安航天动力试验技术研究所 | 试验数据文档解析入库方法 |
CN107644027A (zh) * | 2016-07-20 | 2018-01-30 | 江苏云媒数字科技有限公司 | 一种超媒体元数据合成与转换*** |
CN108038096A (zh) * | 2017-11-10 | 2018-05-15 | 平安科技(深圳)有限公司 | 知识库文档快速检索方法、应用服务器计算机可读存储介质 |
CN108171600A (zh) * | 2018-01-19 | 2018-06-15 | 深圳前海大数金融服务有限公司 | 征信报告解析方法、服务器及存储介质 |
CN111581948A (zh) * | 2020-04-03 | 2020-08-25 | 北京百度网讯科技有限公司 | 文档解析方法、装置、设备及存储介质 |
CN112433752A (zh) * | 2020-11-20 | 2021-03-02 | 泰康保险集团股份有限公司 | 页面解析方法、装置、介质及电子设备 |
CN112785284A (zh) * | 2020-12-31 | 2021-05-11 | 银清科技有限公司 | 基于结构化文档的报文入库方法及装置 |
-
2021
- 2021-05-12 CN CN202110516190.2A patent/CN113204621B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080183691A1 (en) * | 2007-01-30 | 2008-07-31 | International Business Machines Corporation | Method for a networked knowledge based document retrieval and ranking utilizing extracted document metadata and content |
CN101174273A (zh) * | 2007-12-04 | 2008-05-07 | 清华大学 | 基于元数据分析的新闻事件检测方法 |
CN101477568A (zh) * | 2009-02-12 | 2009-07-08 | 清华大学 | 一种结构化数据和非结构化数据综合检索的方法 |
CN102194156A (zh) * | 2010-03-01 | 2011-09-21 | 国网信息通信有限公司 | 一种科技查新方法及*** |
US20120078926A1 (en) * | 2010-09-24 | 2012-03-29 | International Business Machines Corporation | Efficient passage retrieval using document metadata |
CN103218374A (zh) * | 2012-01-21 | 2013-07-24 | 国际商业机器公司 | 用于电子文档定位的方法和*** |
CN103559185A (zh) * | 2013-08-13 | 2014-02-05 | 西安航天动力试验技术研究所 | 试验数据文档解析入库方法 |
CN107644027A (zh) * | 2016-07-20 | 2018-01-30 | 江苏云媒数字科技有限公司 | 一种超媒体元数据合成与转换*** |
CN108038096A (zh) * | 2017-11-10 | 2018-05-15 | 平安科技(深圳)有限公司 | 知识库文档快速检索方法、应用服务器计算机可读存储介质 |
CN108171600A (zh) * | 2018-01-19 | 2018-06-15 | 深圳前海大数金融服务有限公司 | 征信报告解析方法、服务器及存储介质 |
CN111581948A (zh) * | 2020-04-03 | 2020-08-25 | 北京百度网讯科技有限公司 | 文档解析方法、装置、设备及存储介质 |
CN112433752A (zh) * | 2020-11-20 | 2021-03-02 | 泰康保险集团股份有限公司 | 页面解析方法、装置、介质及电子设备 |
CN112785284A (zh) * | 2020-12-31 | 2021-05-11 | 银清科技有限公司 | 基于结构化文档的报文入库方法及装置 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113657088A (zh) * | 2021-08-16 | 2021-11-16 | 北京百度网讯科技有限公司 | 接口文档解析方法、装置、电子设备以及存储介质 |
CN113656443A (zh) * | 2021-08-24 | 2021-11-16 | 北京百度网讯科技有限公司 | 数据拆解方法、装置、电子设备和存储介质 |
CN113656443B (zh) * | 2021-08-24 | 2023-08-04 | 北京百度网讯科技有限公司 | 数据拆解方法、装置、电子设备和存储介质 |
CN114168798A (zh) * | 2021-11-22 | 2022-03-11 | 中核核电运行管理有限公司 | 文本存储管理与检索方法及装置 |
WO2023236257A1 (zh) * | 2022-06-07 | 2023-12-14 | 来也科技(北京)有限公司 | 文档搜索平台、搜索方法、装置、电子设备及存储介质 |
CN116029277A (zh) * | 2022-12-16 | 2023-04-28 | 北京海致星图科技有限公司 | 多模态知识解析的方法、装置、存储介质、设备 |
CN116029277B (zh) * | 2022-12-16 | 2024-04-05 | 北京海致星图科技有限公司 | 多模态知识解析的方法、装置、存储介质、设备 |
Also Published As
Publication number | Publication date |
---|---|
CN113204621B (zh) | 2024-05-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107436875B (zh) | 文本分类方法及装置 | |
CN113204621B (zh) | 文档入库、文档检索方法,装置,设备以及存储介质 | |
US9092504B2 (en) | Clustered information processing and searching with structured-unstructured database bridge | |
US11003731B2 (en) | Method and apparatus for generating information | |
US8019756B2 (en) | Computer apparatus, computer program and method, for calculating importance of electronic document on computer network, based on comments on electronic document included in another electronic document associated with former electronic document | |
US10303689B2 (en) | Answering natural language table queries through semantic table representation | |
US8631097B1 (en) | Methods and systems for finding a mobile and non-mobile page pair | |
US10915537B2 (en) | System and a method for associating contextual structured data with unstructured documents on map-reduce | |
CN113836314B (zh) | 知识图谱构建方法、装置、设备以及存储介质 | |
US20220121668A1 (en) | Method for recommending document, electronic device and storage medium | |
US20160292062A1 (en) | System and method for detection of duplicate bug reports | |
CN111435406A (zh) | 一种纠正数据库语句拼写错误的方法和装置 | |
US9619458B2 (en) | System and method for phrase matching with arbitrary text | |
US20230153357A1 (en) | Method of processing an observation information, electronic device and storage medium | |
US20220414095A1 (en) | Method of processing event data, electronic device, and medium | |
CN112926297B (zh) | 处理信息的方法、装置、设备和存储介质 | |
CN113468529B (zh) | 一种数据搜索方法和装置 | |
CN110852078A (zh) | 生成标题的方法和装置 | |
US9659059B2 (en) | Matching large sets of words | |
CN114969371A (zh) | 一种联合知识图谱的热度排序方法及装置 | |
CN114201607A (zh) | 一种信息处理的方法和装置 | |
CN114048315A (zh) | 确定文档标签的方法、装置、电子设备和存储介质 | |
CN113239278A (zh) | 信息展示方法、装置、电子设备以及存储介质 | |
CN116610782B (zh) | 文本检索方法、装置、电子设备及介质 | |
CN112016017A (zh) | 确定特征数据的方法和装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |