基于Hadoop的文本信息抽取系統(tǒng)開發(fā)及應(yīng)用研究.pdf

1、隨著信息化產(chǎn)業(yè)的推進(jìn)和發(fā)展，信息數(shù)據(jù)量也呈現(xiàn)出指數(shù)級(jí)的爆炸式增長。某企業(yè)原有的大量基于Word文件的手工作業(yè)需要采用信息系統(tǒng)來管理，以便管理者能夠更好地處理信息數(shù)據(jù)并迅速做出決策。原有的業(yè)務(wù)流程是:員工在Web頁面直接填報(bào)內(nèi)容，通過網(wǎng)上流轉(zhuǎn)，傳入后臺(tái)的數(shù)據(jù)庫中，管理者通過調(diào)用數(shù)據(jù)庫查看信息數(shù)據(jù)。直接填報(bào)存在以下問題:一是B/S模式下瀏覽器具有時(shí)效性，填報(bào)大段文字或者圖片會(huì)因?yàn)榫W(wǎng)絡(luò)、電力中斷等影響效率;二是用戶習(xí)慣于Word文件的操作方式

2、，Word文件書寫更為靈活;三是考慮到工作中所填報(bào)的內(nèi)容項(xiàng)具有易變性，文檔模版要求復(fù)用。信息存儲(chǔ)存也存在以下問題:一是提交文檔數(shù)量巨大，需要極大的存儲(chǔ)空間;二是大量的信息數(shù)據(jù)的存取，需要較短的響應(yīng)時(shí)間。
　　本文基于以上應(yīng)用背景，設(shè)計(jì)出了一套信息管理系統(tǒng)。系統(tǒng)在設(shè)計(jì)上總體劃分為四個(gè)過程模塊:文本模版生成與存儲(chǔ)、文本模版顯示與下載、文本信息上傳與抽取、抽取信息存儲(chǔ)與管理。其中的信息抽取和存儲(chǔ)管理的設(shè)計(jì)是本系統(tǒng)的重點(diǎn)。信息抽取基于SS