文本數(shù)據(jù)索引技術(shù)研究及其在數(shù)字圖書(shū)館中的應(yīng)用.pdf

1、數(shù)字圖書(shū)館是二十一世紀(jì)全球文化科技競(jìng)爭(zhēng)的焦點(diǎn)之一。這種競(jìng)爭(zhēng)既是科學(xué)技術(shù)的競(jìng)爭(zhēng)，更是知識(shí)經(jīng)濟(jì)時(shí)代的市場(chǎng)競(jìng)爭(zhēng)。數(shù)字圖書(shū)館的建設(shè)已經(jīng)成為當(dāng)前評(píng)價(jià)一個(gè)國(guó)家信息基礎(chǔ)水平的重要標(biāo)志，也是近年來(lái)發(fā)達(dá)國(guó)家十分重視的基礎(chǔ)性項(xiàng)目。數(shù)字圖書(shū)館具有收藏?cái)?shù)字化、操作電腦化、傳遞網(wǎng)絡(luò)化、信息存貯自由化、資源共享化、結(jié)構(gòu)連接化的特點(diǎn)。 信息檢索是建設(shè)數(shù)字圖書(shū)館涉及到的多項(xiàng)技術(shù)之一。在龐大的信息資源中為用戶(hù)提供科學(xué)、高效的檢索信息的手段，是數(shù)字圖書(shū)館應(yīng)具有的一

2、項(xiàng)重要功能。 本文對(duì)直接影響數(shù)字圖書(shū)館建設(shè)的相關(guān)技術(shù)問(wèn)題加以介紹，論述了目前國(guó)內(nèi)外在數(shù)字圖書(shū)館方面的研究現(xiàn)狀，介紹了中文全文檢索的定義、建立中文全文索引的難點(diǎn)問(wèn)題、以及目前對(duì)中文文本文件建立全文索引的三種實(shí)現(xiàn)方案。并針對(duì)該問(wèn)題重點(diǎn)研究了數(shù)字圖書(shū)館中文本數(shù)據(jù)的索引技術(shù)，包括對(duì)以XML和MARC二種格式描述的元數(shù)據(jù)文本文檔建立主題索引和對(duì)中文文本文檔建立全文索引二個(gè)方面，論述了解析這兩類(lèi)元數(shù)據(jù)提取索引單元的相關(guān)技術(shù)和方法。

3、同時(shí)，設(shè)計(jì)了一個(gè)數(shù)字圖書(shū)館系統(tǒng)的體系結(jié)構(gòu)，并給出圖示，接著對(duì)系統(tǒng)中各個(gè)組成部分的功能進(jìn)行了介紹，然后論述了在該設(shè)計(jì)方案下，系統(tǒng)是如何工作的，最后分析了本系統(tǒng)的特點(diǎn)。 最后，介紹了系統(tǒng)中索引生成器的具體實(shí)現(xiàn)。給出了對(duì)以XML和MARC格式描述的元數(shù)據(jù)文本文檔建立主題索引和對(duì)中文文本文檔建立全文索引的實(shí)現(xiàn)過(guò)程。對(duì)XML和MARC格式元數(shù)據(jù)的解析是采用的SAX接口即基于事件觸發(fā)的方法。對(duì)中文文本文檔建立全文索引時(shí)是選擇雙字符作為索引單