基于XML的文檔處理技術(shù)的研究與實(shí)現(xiàn).pdf

1、隨著企業(yè)、組織的規(guī)模日益擴(kuò)大，就需要對(duì)企業(yè)中流通的文檔進(jìn)行挖掘以求信息、知識(shí)的共享和流通。企業(yè)中流通的文檔基本上來(lái)自于異構(gòu)數(shù)據(jù)源，因此，如何從這些異構(gòu)文檔中抽取有效信息并加以保護(hù)成為一個(gè)研究熱點(diǎn)。雖然目前對(duì)文本處理技術(shù)已經(jīng)有了很大的發(fā)展和應(yīng)用，但是存在一些問(wèn)題有待研究：如何抽取有效的文本；如何抽取標(biāo)記文檔中的數(shù)據(jù)信息；如何有針對(duì)性的對(duì)XML文檔的敏感數(shù)據(jù)進(jìn)行加密。 針對(duì)以上三個(gè)問(wèn)題，根據(jù)不同文本和XML文檔的映射關(guān)系，本文在文檔

2、結(jié)構(gòu)分析的基礎(chǔ)上提出了流處理模型，并結(jié)合元素樹(shù)模型，提出了一種將Word、Excel以及HTML文檔文件解析成為有語(yǔ)義的XML文檔的方法。從文檔處理的角度，提出一種有利于文本挖掘的方法。在完成異構(gòu)數(shù)據(jù)轉(zhuǎn)換的基礎(chǔ)上，來(lái)實(shí)現(xiàn)XML文檔的存儲(chǔ)安全。 本文綜合運(yùn)用了Java編程技術(shù)、XML編程技術(shù)、XML安全規(guī)范以及安全訪問(wèn)策略。通過(guò)繼承和二次開(kāi)發(fā)多個(gè)開(kāi)源項(xiàng)目，例如ApachePOI、HTMLParser、JExcel、PDFBox等，