需要对249本软件著作实现句子级别全文检索，这些著作均为PDF文件，不使用现有的框架如lucene，自己实现的方法如下：
1、从PDF文件中提取文本，这里的重点是如何最大可能地还原文本。提取之后的文本，一个句子一行保存为文本文件。
2、将所有文本文件合并为一个单一的文本文件，这样，每一个句子就有一个唯一行号。
3、对每一行文本进行分词，建立倒排表，倒排表的格式为：词=包含该词的总行数N=行号1|行号2|行号3|行号N......，如下的例子表示所有文本中，包含ysc的有12行，分别是......：
ysc=12=41883|134145|199585|320658|320661|332585|333873|379773|379775|453341|476179|488165
4、优化倒排表，减少索引文件的磁盘和内存占用，将行号排序，存储递增值。比如如下倒排表：
?
ysc=12=41883|134145|199585|320658|320661|332585|333873|379773|379775|453341|476179|488165
可优化为：
ysc=12=41883|92262|65440|121073|3|11924|1288|45900|2|73566|22838|11986
5、处理单一检索词，直接读取倒排表，然后处理递增存储的行号。
6、处理多个检索词，合并多个单一检索词的结果，取交集。
7、根据检索到的行号，从第2步建立的单一的文本文件中获取句子。
?
实现代码如下：
1、提取文本
2、文本索引
3、文本搜索
?
249本软件著作
?
?
?
?
?
?
?
?
?
?
相关文章
