丁振凡

(华东交通大学信息工程学院，江西 南昌 330013)

随着Internet的迅速发展与普及，如何从海量的网络信息资源中及时、准确地找到所需的信息成为当今的一个研究热点［1］.为满足查全和查准的要求，出现了基于语义的内容检索，而文档语义信息的提取是其核心研究内容之一［2］.在各类信息资源网站中均含有类型各异的文档资源，如:HTML文档、PDF文档、Word文档、PPT文档等.随着网站信息资源的不断丰富，对站内信息资源进行资源搜索也就很有必要.Lucene是目前最为流行的开源全文检索工具包.Apache Tika是一个开源的文档语义提取工具包，利用Tika可获取文档的元数据并实现文档内容的文本分析.将Tika分析的元信息和内容分析结果加入索引，然后用Lucene在建立好的索引中实现基于元信息的全文检索.如图1所示.

图1 Lucene和Tika结合实现基于元信息的全文搜索流程

1 文档语义提取

各种类型的资源文件的语义信息的提取是一件复杂的工作［3］.Tika作为一个优秀的元数据分析和内容分析工具，支持众多格式的文档(例如HTML、PDF、Doc等)，在Tika分析的基础上进行再加工，可简化基于元信息的搜索服务的建立.Tika能自动甄别文件类型，调用相应的解析器进行分析.在分析中能识别文档的字符编码、语言及各类属性，还能提取文档的结构化内容.如图2所示.

图2 Tika对文档分析的基本过程

1.1 Tika的文档分析器

Tika能自动甄别文档类型，并根据文件类型调用相应的解析器进行分析.Tika包含不针对任何特定文档格式的通用解……