（系统工程专业论文）文档管理在办公自动化系统中的应用研究.pdf

华中科技大学硕士学位论文 摘要 f 计算机与网络技术的发展带来了电子文档应用的迅猛发展，对文档的管理被提到 重要地位。由于办公自动化技术已有广泛而成熟的应用，对办公自动化系统生成文档 的管理成为一个重要应用方向。 一) 本文首先回顾了文档管理和办公自动化技术的发展历程，基于文档和文档管理系 统的定义，介绍了电子文档的特点和文档管理的内容。在总结文档管理现状后提出 了文档管理的需求，阐述了应围绕文档的产生、存取访问、分发、流程进行文档管 理。 作者随后阐述了文件分解的方法，即根据文件格式定义从文件，尤其是文本文件 中提取出标引信息，并据以对文档进行分类组织和全文检索，这样突破了文件格式 的限制，并可根据标引信息对内容进行组织。随后着重分析了关系数据库和文档数 据库在文档管理中的应用。 在随后章节中，作者结合实际办公自动化项目的开发，阐述了文档管理在办公自 动化系统中的设计与实现过程。针对项目中文档管理的需求，围绕文档的产生、存 取、流转对办公自动化系统进行了设计和实施，实现了各个功能模块并体现了对文 档中标引信息的应用。纵设计到实施贯穿了以文档为中心的思想，找到文档管理与 办公自动化应用的结合点，证明了在办公自动化系统中实现文档管理的可行性。蕾一) ，7 关键词：文档文档管理办公自动化 ，。- 一_ 一 华中科技大学硕士学位论文 = g = = = = = = = = = ；= # = ；= = = = = = = = = 一一= a b s t r a c t t h e a p p l i c a t i o n o fe l e c t r o n i cd o c u m e n tb o o m e dw i t ht h e g r e a td e v e l o p m e n to f c o m p u t e ra p p l i c a t i o n a n dn e t w o r kc o m m u n i c a t i o n ，s ot h e m a n a g e m e n to fe l e c t r o n i c d o c u m e n t g a i n se n o u g hc o n c c m m e n t t h e o f f i c ea u t o m a t i o n ( o a ) h a sb e e na p p l i e dw i d e l y , i ti sa i li m p o r t a n td i r e c t i o ni no af i e l dt om a n a g et h ee l e c t r o n i cd o c u m e n tp r o d u c e di n o f f i c ea u t o m a t i o ns y s t e m t h i s p a p e r r e v i e w st h ed e v e l o p m e n to f d o c u m e n t m a n a g e m e n t a n do f f i c ea u t o m a t i o n ， i n t r o d u c e st h ed e f m i t i o no fe l e c t r o n i cd o c u m e n ta n d m a n a g e m e n t o fe l e c t r o n i cd o c u m e n t ， a n d a n a l y z e s t h ec h a r a c t e ro fe l e c t r o n i cd o c u m e n ta n dt h ec o n t e n to fd o c u m e n t m a n a g e m e n t a f t e rs u m m a r i z i n gt h ed o c u m e n tm a n a g e m e n ta c t u a l i t ya n ds p e c i f y i n gt h e d o c u m e n t m a n a g e m e n tr e q u i r e m e n t , i t i sp o h a t e do u tt h a tt h ed o c u m e n t m a n a g e m e n ts h o u l d f o c u so nt h eg e n e r a t i o n , r e c e s s ，d i s t r i b u t i o na n df l o wc o n t r 0 1 t h i sp a p e re x p a t i a t e st h ei d e ao f d e c o m p o s i n gt h ed o c u m e n t ，w h i c he x t r a c t i n gt h e m a r k e di n f o r m a t i o n ，a c c o r d i n gt ot h ef i l ef o r m a td e f i n i t i o n , f r o mt h ed o c u m e n t , e s p e c i a l l y f r o mt h et e x tf i l e b a s e do nt h em a r k e di n f o r m a t i o n , a p p l i c a t i o n sc a nc l a s s i f y ，s e a r c ha n d o r g a n i z e t h ed o c u m e n t ，r e g a r d l e s st h er e s t r i c t i o no f f i l ef o r m a t s e v e r a lw a y st om a n a g et h e d o c u m e n t si sa l s op r e s e n ti nt h e p a p e r i nt h e s u c c e e d i n gc h a p t e r s ，t h i sp a p e r d e s c d b e st h e p r o c e s s e s o fd o c u m e n t m a n a g e m e n ta p p l y i n g t ot h ed e s i g n i n ga n di m p l e m e n t i n go fap r a c t i c a lo a p r o j e c t a i m e d a tr e q u i r e m e n t so f t h e p r a c t i c a lp r o j e c t i ti l l u s t r a t e st h eg e n e r a t i o n , a c c e s s ，d i s t r i b u t i o n a n d f l o wc o n t r o lo ft h ee l e c t r o n i cd o c u m e n t s ，r e a l i z e s t h em o d u l e s e m p l o y i n g m a r k e d i n f o r m a t i o ni nt h ed o c u m e n t s i ti se m p h a s i z e dt h a tt h ed o c u m e n tm a n a g e m e n t i st h ek e y p o i n ti nt h ep r o j e c td e s i g n i n ga n di m p l e m e n t i n gw h i c h i n t e g r a t e sd o c u m e n tm a n a g e m e n t w i t ht h ea p p l i c a t i o no fo f f i c ea u t o m a t i o n , a n dp r o v e dt h a ti ti sp o s s i b l e t oa p p l yd o c u m e n t m a n a g e m e n t t o0 a s y s t e m s k e y w o r d s ：d o c u m e n t d o c u m e n tm a n a g e m e n t o f f i c ea u t o m a t i o n i i 华中科技大学硕士学位论文 = = = ；= = = = ；= = = = ；= = = = = = ；= = = = = ； = ：一= 一 1 绪论 新的发展提出新的需求，当越来越多的信息和知识以非结构化文档的形式积累下 来，政府和企业必须提高文档管理和利用的能力。办公自动化系统作为基础信息系统， 在政府和企业有着广泛应用，对办公自动化系统产生文档的管理和利用是一个重要的 应用方向。本章综述文档管理和办公自动化系统的发展和现状，介绍了课题的来源和 意义，并概述了作者在本文中所做的主要工作。 1 1引言 1 1 1 文档管理的发展 以数字化形式存在的文稿、表格、幻灯片、工程图纸、电子邮件、图像、音频、 视频文件、扫描文件都可称为电子文档。电子文档是相对传统的以纸张等物理形式存 在的文档资料的信息存在形式j ，主要存储非结构信息。 在计算机网络已日益成为人们生活、工作的重要工具和基本环境的今天，大量的 信息以电子文档的形式产生、传输和保存，这些文档中蕴涵着大量特有的信息资源。 在我国，电子文档的产生数量非常可观，在政府等一些较大的办公自动化网络中，每 年会增加数以万计的电子文档；在一些企业中，每设计一种产品就会产生数千份图形 电子文件1 。大量资料以电子文档的形式存储和传输，带来管理和应用的压力。随着 政府与企业信息技术应用水平的不断提高，积累的电子文档越来越多，文档管理的有 效与否将直接影响到整个企业与机构的工作效率。人们开始不满足于资料的简单积 累，寻求高效管理和利用文档的系统。 人们通常惯用使用关系型数据库处理海量的结构化数据，但对于更多包含非结构 化数据( 网页、图像、声音、视频等) 的文档却缺乏有效的管理和利用。这是因为传 统关系数据库管理系统擅长于结构化数据的处理。文档管理要能够存储、索引、查询 和管理结构化的标引数据、多媒体数据以及非结构化的全文数据，需要在“标引一 检索”基础上实现对非结构化全文数据的处理，这也是目前应用的热点之一。 文档管理软件和服务的市场前景广阔，据权威市场研究及咨询机构g a r t n e rg r o u p 预测，到2 0 0 2 年，现有2 0 0 0 家规模最大的公司中将有8 0 把文档等内容的管理列入 华中科技大学硕士学位论文 = = = = = = = ；= = = = = ；= = = = = = = = ；= = = = = = ；一 发展计划，企业电子文档管理软件市场的销售收入将达6 0 亿美元以上【3 】。文档管理 已不止应用某种单独的创新技术，而且综合应用了许多先进技术，它涵盖企业内联网 ( i n t r a n e t s ) 、因特网( i n t e m e t ) 和企业外联网( e x t r a n e t s ) 应用，对于政府和企业的办公自 动化应用而言，无疑将有助于实现内部信息的高度共享并提高决策的科学性及其效率 1 1 2 办公自动化的发展 办公自动化( o a ) 概括的说就是围绕办公事务的通讯和应用环境。办公自动化 系统，其主要任务是企业内部各种消息( 办公信息、文件、函件等) 的发布与传递、 工作流管理、档案管理，很重要的是它也承担企业信息集成的关键任务。它涉及的 技术包括协同工作、文档数据库、工作流管理、安全控制、多媒体、视频会议等内容。 通过办公自动化系统，用户可以双向、以多媒体形式获取和发布信息，通过与i n t e m e t 的互联，可以实现办公活动不受时间和空间的限制，从而提高办公运作的效率和质量。 办公自动化的发展过程到现在已经是第三代。第一代办公自动化是以数据为其处 理中心传统的m i s 系统。它的最大特点是，应用基于文件系统和关系型数据库系统， 以结构化数据为存储和处理对象，强调对数据的计算和统计能力。其贡献在于把i t 技术引入办公领域，将纸质文件电子化，提高了文件管理水平。第二代是以工作流为 中心的办公自动化系统。以网络为基础，以e - m a i l 、文档数据库管理、复制、目录服 务、群组协同工作等技术作支撑，包含众多实用功能和模块，实现了对涉及人、事、 文档、会议的自动化管理。最新提出的第三代办公自动化系统是以知识管理为核心的 新一代办公自动化pj 。在实践中，由于网络的便捷带来的人们对信息共享的需求，使 得企业更需要越来越多的外界信息和企业内部知识的积累，并在它们之间不断地交互 与碰撞中使知识获得再生和增值。办公自动化不只是人际办公的计算机化，而是要融 入新的管理方式。通过新系统，办公自动化为领导层、办公室、人力资源部门、业务 部门等提供了全新高效的工作模式。 在一些较先进的国家，办公自动化已经普及，政府的主要部门已经实现了无纸化 办公，同时在美国等些国家电子文件开始获得法律效力。在我国，办公自动化应用 发展也很快，1 9 8 5 年国务院电子振兴领导小组设立了办公自动化专业领导小组。1 9 8 6 年成立了办公自动化专家组，1 9 9 2 年国务院办公厅秘书局下发了全国行政首脑机关 办公自动化决策服务系统建设指导书。在此期i 日j ，“三金工程”的相继启动，极大促 华中科技大学硕士学位论文 = ；= = = = = = ；= ；= = = 一：= 一 进了我国办公自动化的发展，已建成了政府内网、专网和外网，形成了多层次、分布 式的自动化办公环境和应用方式。办公自动化已在我园大多数政府部门和许多企业得 到广泛的应用和发展。 办公自动化系统正在从简单的文档处理向基于i n t c m e t 平台以及知识管理的深层 次发展，从”工作流应用系统”向更高级的”决策智能系统”过渡【，j 。人们越来越把它作 为一种跨部门运作的基础信息系统，用以联结各个岗位上的各个工作人员和各类信息 资源，实现动态的内容和知识管理。面对已经到来的知识经济和我国加入w t o 后所 带来的更广阔的市场空间与更激烈的市场竞争环境，企事业单位对办公自动化更寄予 厚望。 1 2 课题背景、目的和意义 本课题背景是作者参与的湖北省科技厅办公自动化系统和武汉市计划生育委员 会的办公自动化系统，作者参与了湖北省科技厅办公自动化系统项目的设计和维护， 独立设计并实现了武汉市计划生育委员会的办公自动化系统。两个课题都是为了实现 机关的网上办公，基于l o t u sd o m i n o 平台开发，包括收发文、归档、邮件、公告、 周志、公共信息等办公功能模块，都主要集中于对文档的管理，实现了对文档的管理需 要。不同的是前者采用b s 模式，除了内部办公外还提供对外的w e b 方式发布；后 者基于c s 模式，更着重实现了内部办公的流程。 作者在办公自动化( 0 a ) 的开发过程中，对o a 系统的开发与实践有了较深理 解，尤其从系统处理的中心一一文档着眼，有了不同于以往的体会和认识。电子文档 是网上信息的重要载体，通过对文档的处理和利用以获取所需内容是文档管理的出发 点和最终目的。如何根据文档信息的特点，通过各种成熟技术提高对文档的处理和利 用能力至关重要，这也是在课题中全力探求的目标。 由于办公自动化与政府或其他机构的职能活动联系在一起，所以对其中产生的电 子文件管理问题更加需要引起重视。在办公自动化中工作人员所接触大量信息来自于 文档，通常文档信息的积累和访问量随时间增长，每天都有高价值的内容通过网络 在有交叉联系的部门间产生，对于工作中涉及的文档资料信息进行有效组织与管理变 得越来越迫切。建立一个实用、高效、方便的企业文档管理系统，对于提高工作人员 的文档管理水平，提高工作效率具有重大的实际意义。利用现有的网络环境和技术( 如 华中科技大学硕士学位论文 = 2 = = ；= = = = = = = = = = = = = 文档数据库、x m l 等) ，在o a 系统实旌高效的文档管理将是完全可行的，满足办公 自动化系统的文档管理需要之外，也将把对o a 系统的利用水平提高到更高的层次。 1 3 本文主要研究内容 本文以文档管理和办公自动化的结合点一一文档为研究对象，分析了文档管理在 办公自动化系统中的应用。全文主要的工作有如下几点： 界定了文档管理的对象文档，概括了文档的特点以及文档管理的主要 内容。 分析文档管理现状，提出了办公自动化环境中文档管理的需求。 根据文件分解的思路，在分类和检索基础上实现基于标引的文档管理，并 分析了几种文档管理可用技术在文档管理中的应用。 结合课题实际，设计了办公自动化系统的框架和常用模块。 从文档管理的需求出发，在办公自动化系统的设计中体现了文档管理。 4 华中科技大学硕士学位论文 = = = = = = ；= = = = = = = = = = = = = = = = = = = = = = ；= 一； 2 文档管理概述 2 1 文档与文档管理系统 本文中的文档特指以数字化形式存在的文稿、表格、幻灯片、工程图纸、扫描文 件、电子邮件、图像、音频、视频文件等电子文档。根据国际档案理事会电子文件委 员会对电子文档的定义：“电子文档是一种通过数字电脑进行操作、传输或处理的文 件”p 】。概括其定义大约有三条要点：一是用数字化设备生成和读取、二是用数字代 码记录信息、三是要符合文件的要求。它在载体形式和处理方式上与传统的纸质文件 相区别，具有许多与传统纸质文件不同的特性，比如： 非人工识读性。人们无法直接从复杂交错的o 一1 编码中获取含义，必须通过 计算机还原到输出前的状态才能识别。 系统依赖性。电子文件的制作、处理以至归档后的全部管理活动都必须借助 于计算机系统才能实现。另外不兼容的计算机和应用软件生成的文件在交换 使用时会遇到很大困难。 。 信息与载体的可分离。各种电子文件载体如同容器一样电子文件中的信息不 再具有固定的物理位置，也不再对原记录载体“从一而终”，它可以根据需要 随时扩展、缩小或改变其存储空间。 信息的可变性。计算机系统中信息的相对独立性和电子载体的可重复利用性 使得对信息的增删更改十分容易，还有个重要的原因是电子载体和信息技 术的不稳定性。 信息的可操作性。电子文件可以随时适应人们变化着的需要。 从上可以看出电子文档相对于纸质文档有了深刻的特性上的变化，管理方法、管 理模式以至管理思想的更新当然就是不可避免的了。 文档的管理需要文档管理系统。按照i d c 的定义，文档管理系统是：“能够组织 文档的产生、管理文档的存取访问、控制文档的分发、监控文档的流转过程的软件系 统。”p 1 文档管理系统管理的对象是上文定义的电子文档，它的目的是帮助集群用户 有效管理文档和信息内容。 由上文对文档和文档管理系统的定义可看出：网络环境是实施文档管理的基础， 华中科技大学硕士学位论文 = = = = ；= = = = = = = = = ；= ；= = = = = ；= = = = = ；= = ；= = = = 一= 内容需要通过计算机传输和处理的文档都应数字化。电子化提升了对于文档内w - 的乖r j 用能力，电子文档管理应该对传统的文档应用和管理方法进行继承和创新。 2 2 文档管理的内容 根据文档管理系统的定义可将文档管理的内容概括为对文档的产生、存取与访 问、分发、流转等方面的管理。各方面相互作用又相对独立，反映到应用上，体现在 以下几个方面： 2 2 1 文档的产生 内容的多样、应用环境的不同决定了文档产生方式的多样性，文档的起草、发布、 审批、归档过程都会产生或更新文档。文档管理系统并不限定生成文档的工具和方式， 但产生的所有文档都纳入文档管理的范围，通过统规划文档的来源、类别、用途， 制定一套可行的收集策略，从而将需管理的文档进行企业级的集中，形成信息资源共 享与传递的基础。 文档管理中必须统一规划文档生成的规范和格式。各种功能的文档必须符合一定 的规范和格式要求，比较典型的如论文、公文等都有内容构成方面的限定，甚至字体 和间距都要求一致。在文档生成过程中限定规范和格式比较便于阅读以及内容的管 理，是对文档进一步处理的基础。 2 2 2 文档的存取与访问 对文档进行访问和存取的系统环境是文档管理的重要组成部分。有多种灵活的访 问手段，客户端方式、w e b 浏览器是其中最重要的两种。用户可以通过浏览器对文档 进行浏览，而通过客户端对文档进行修改。提供文档编辑环境与文档管理系统的连接 可以方便的编辑文档，使用户或作者不必放弃他们熟悉的应用程序来生成存放在文档 管理系统中的文档。针对文档管理应用提出的开放文档管理a p i ( o d m a ) 标准是一项 定义了桌面应用如何与文档管理存储资源进行交互式操作的工业标准u 。用户使用支 持o d m a 的应用可在文档管理系统中存取企业范围的各种文档。 当机关或企业具一定规模或处于分布环境下时，文档管理系统还需要解决文档 的同步和分布存储问题。这种情况下，文档的产生和更改往往是跨部门、跨地域的 分工协作完成的，为提高效率和减少网络负担，文档往往同时处于多个文档管理服务 6 华中科技大学硕士学位论文 = = = = = = = = = = = = = = = = = = = = = = = = = = = = = ；= 器上，用户需要分布式地进行对文档的编辑修改而不受空间限制。文档管理系统要通 过同步实现文档内容的更新并保证相对一致，以提供对各种办公环境的支持。 图2 1 分布环境下的应用和同步 版本控制也是文档管理系统的重要应用之一，在大型的协同办公环境下，需要 在文档的生命周期内对文档的版本进行全程的控制。版本控制主要解决获取历史状 态、比较差异、控制更改、协同工作等问题，尤其用于文档变化频繁和涉及人员众 多的情况下，如书籍的编著、大型软件的开发等。在这些文档内容单一且应用相对 简单的环境下，版本控制是文档管理的主要用途，比较著名的代码版本控制工具如： m i c r o s o f t v i s u a ls o u r c e s a f e 、c v s ( c o n c u r r e n t v e r s i o n ss y s t e m ) 都可作为文档管理 工具。 文档的存取与访问还需要解决安全问题。文档在处理、存储、传输、和使用等各 个环节上容易被人为干扰、滥用、甚至泄漏、窃取、冒充和破坏，特别在分布式环境 下，大量用户的读取、签入签出操作对文档的安全性提出了更高要求。 华中科技大学硕士学位论文 = = = = = = = = 2 = = = ；= ；= = = = = ；= = = = = = 一= ： 如图所示，文档管理系统的安全性处于六层安全控制体系的较高层，即在操作平 台安全和安全制度健全的基础上，提供保密与用户授权甚至更高层次的安全保障。通 过制定符合保密要求的细密的认证和授权计划，通过身份认证的用户才能阅读或使用 授权的文档内容。 2 2 3 文档的分发 传统的文档的分发方式通常是集中存放、各取所需。各种文档经过汇集分类，存 放到某个位置，用户再根据需要选取所需文档。这个过程类似于通过文件服务器或 f t p 传递文件，用户发布与读取的过程相对独立，并不能确保需要文档的用户能及时 获取信息，用户获取信息也需要通过选取和下载。 文档管理系统中更多的使用p u s h 方式【i “，即系统将用户预定的文档用类似邮件 的方式直接通知或传递给用户。用户首先需要预定所需的文档，根据文档类型、时间、 关键词、主题、作者等各种信息加以限定，选择方式相当灵活。当发现满足条件的文 档，系统即传递给预定的用户。与传统文档分发方式相比，p u s h 方式提高了文档传 递效率，能大大加快文档的流转。 2 2 4 文档的流转 文档流转是文档管理的重要内容。文档在其生命期内都不是孤立静止的，以公文 为例，从起草到审批、修改、发布可能要经过多个步骤，需要多个人员的参与，流转 的过程中包含了文档的重要应用，因此需要对文档的流转进行管型”j 。 同类型文档的流程有类似处，灵活的流程定义可以适用于大量同类文档。通常在 文档的起草阶段定义流程，并在流程中对文档进行监督。有许多优秀的流程定义工具 用于处理文档流转：如l o t u s 的w o r k f l o w 、m i c r o s o f t 的e x c h a n g e 等。 2 2 5 与其他应用集成 文档管理还包括与其他方面的集成，数据集成就是其中之一。文档内容来源广泛， 包括结构化数据、非结构化数据、文件系统、网页等，因此也必然与其他如关系数据 库、邮件系统、档案管理系统等发生内容交换。文档管理系统需要能从其他系统中获 耿文档，文档经处理后也能向其他系统输出数据。 华中科技大学硕士学位论文 = = = = ；= = = = = = = ；= = = = = = = = = ；= = = = = = = = = 一= t ： 2 3 文档管理的现状分析 在办公自动化的实施过程中，发现在对文档的管理和应用方面存在诸多不足。综 合文档管理的现状，目前文档管理存在着分散孤立、缺乏流通、利用不足等弊端，主 要表现在以下方面： 文档的内容与格式类型众多，既有标准规格样式的文档，又有各种难以规定 统一格式的文档，而且后者数量更多。 纸质文档与电子文档并存，许多工作浪费在两种文档的相互转换上。 文档的共享、传递范围较为狭窄，电子文档共享与传递的范围主要集中在本 部门内部或是在本地域。 缺乏对于文档的检索手段，不能有效利用文档的内容。文档处理工作重复性 劳动太多，缺乏文档一致性和版本控制的规范和技术手段。 缺乏归档管理，容易造成文档混杂，降低了管理和使用的效率。不注重对历 史文档的积累，文档易丢失。 文档安全性控制主要是通过用户对机器的访问限制和简单加密实现，权限限 制往往松散而混乱。文档的备份策略简单而缺乏规划。 2 4 办公自动化系统中的文档管理 实施办公自动化系统的过程中也提供了对文档的全局管理。根据文档管理和利用 中的各种问题，结合办公自动化系统特点，办公自动化系统中对文档的管理应注意如 下方面： 1 ) 集中管理。应结合办公自动化系统建立企业规模的文档管理机制，除加强个 人办公工具的配备与培训、使用外，应将目前主要由个人维护管理的文档，按需要集 中在部门、公司一级进行管理，实现文档在企业范围内的共享和传递。同时细化管理 各种文档，将各种文档分门别类进行层次化的目录管理，提供按主题词搜索或进行全 文索引，方便员工检索和查阅文档内容。 2 ) 管理控制。在办公自动化系统中实现对文档处理周期的全过程管理，包括文 档的创作、批阅、审核、发布、归档等各个环节；实现文档处理过程的工作流自动化， 如自动转发、自动催办、自动归档等。需要对文档进行版本控制，保证员工所访问的 9 华中科技大学硕士学位论文 是最新或有效的文档，定期删除或归档已失效或旧版本文档。在加强制定和实施文档 保密制度的同时，结合办公自动化系统的安全机制，对各种文档实行分层次、分级别 的权限管理，通过系统日志等手段对重要文档的使用情况进行监督管理。 3 ) 规范化。在系统中应统一规划各种文档的内容和格式，便于阅读和管理内容。 还应借助办公自动化系统提供的条件，尽量电子化处理各种文档，利用桌面处理程序 进行文字处理和报表制作，逐步实现对各种纸质文件、传真等的电子扫描和管理。 4 ) 系统集成。与企业关键业务处理信息系统集成，如与档案系统、业务数据库 的集成，能从业务处理信息系统中抽取数据或信息形成各种文档或报告等等。 综上所述，在办公自动化系统环境下可以在企业范围内对文档进行统一管理，提 高了对文档的利用效率，从而解决现阶段文档管理中存在的种种问题。 华中科技大学硕士学位论文 3 基于内容标引的文档管理 所谓文档标引，是指把文档的主题内容和某些具有检索意义的外表特征，用检索 标识记录下来，并以此作为文档存贮和查找依据的过程 1 3 】。通过标引创建或整理的文 档更有利于对信息的搜寻和组织，是进行更深层次的内容管理的基础。 3 1文档管理与内容提取 把文件作为最小的管理单位往往不能满足对文档的利用需要。以w o r d 文档为例， 单从文件名并无法知道文档的作者、创建时间、修改时间、字数等属性，更无从知道 其主题、关键词等用户最关心的内容。再以e m l 格式邮件文件为例，若不通过工具打 开，并不能直接知道发信人、收信人、发信时间等信息。众多以文件形式保存的文档 都有这种问题，而在大量文档累计在起时更显突出。简单用目录分类存放的方法并 不能显示文档内部联系而且易造成冗余，从而形成单个文件内部组织有序而大量文件 组织无序的状况。 显而易见，单以文件为单位对文档进行管理是很不足的，需要一种方法来掌握文 档的各种属性和内容信息进行组织。对文件进行额外的著录标注必然形成文件内容的 增加，而且耗费更多人力劳动。很多情况下需要对文档进行分解和标引，以便直接挖 掘其内容信息。 3 2 文档的分解与标引 常用的文档分为文本、声音、图像、视频、数据等不同的类型，文本是最常见的 文档类型之一，对标引信息的提取目前也主要限于文本信息，因此可选择一种文本文 件为对象进行分析，以邮件文件e m l 文档为例，用文本查看工具可以看到如下部分内 容： r e c e i v e d ：b ym t a 3 2 6 3 n e t ( p o s t f i x ，f r o mu s e r i d6 0 0 0 1 ) i d5 4 d d 6 1 c a 3 f a 6 0 ；m o n ，2 9m a y2 0 0 01 3 ：1 3 ：1 6 + 0 8 0 0 ( c s t ) m i m e v e r s i o n ：1 o m e s s a g e i d ： 华中科技大学硕士学位论文 = = = = = = = = ；= = = = = = = = = = = = = = = = = = = ： d a t e ：m o n ，2 9m a y2 0 0 01 3 ：1 3 ：1 6 + 0 8 0 0 ( c s t ) f r o m ：a c 9 5 5 z w 2 6 3 n e t t o ：刘武 s u b j e c t ： 近期还好吧! x p r i o r i t y ：3 上述e m ! 文件在通常可见内容之外还标记了邮件的转发服务器、邮件i d 、邮件 协议、发信时间、发信人、收信人、标题等，这些都能作为对该邮件进行管理的重要 依据，通过简单解析就能从e m l 文件中得到。当用户或者应用程序处理大量邮件时可 不完全打开即了解其所需内容，并更易于整理和存储其中数据。 e m l 文档是比较典型的结构化文档的例子，但通过上面例子说明，根据文件格式 定义可以对文件进行分解，再根据标引得到系统信息和主体内容信息。知道了文件格 式定义，格式化的文本文件都可以进行分解和提取。已有研制出通用的文档浏览器用 于在档案管理中还原显示不同格式的电子文件。通过对文本文档的分解，完全能获得 文本内容信息，从而跨越文件的不同对文档进行内容的检索，为更高层的应用提供支 持。 自动标引是用计算机代替人工，自动产生表示文档内容特征的主题标识的一种加 工过程。自动标引主要有抽词标引和赋词标引两种类型。目前世界上研究较多、较为 成熟的是抽词标引 1 4 1 即通过计算机从文档中自动抽出能表达文档内容的主题标识的 一种自动标引。通过自动标引能得到文档的主题信息。 另一种预先标引的方法则更常见，即在定义好的标引中加入文档内容。典型的例 子是啊m l 文本，其编写的过程就是将内容填入标引符。某些文档数据库如l o t u s n o t e s ，就是用域来组织文档内容的，即不同的域包含文档的不同部分内容。通过对 域值的提取对内容进行灵活的处理，因而起到标弓i 内容的作用。 3 3 文档内容的分类组织 文档管理系统应该能根据从文档中提取的内容信息、文档属性对文档进行分类， 这些分类标准包括：作者、只期、关键词、主题等，也可能是具体的内容信息。有效 的分类标准对文档的整理和汇集非常重要，便于后来的检索使用。 分类是一种按照事先规定好的体系范畴，依照一定的属性将信息分门剐类组织以 华中科技大学硕士学位论文 便查检的方法。通常分类采用划分范围的树状结构组织和揭示信息，具有很好的稳 定性与系统性，而且比较符合人们认识事物的逻辑思维方式。它不仅适用于文本信息 而且也适合于非文本信息、超文本信息的组织与揭示，因此更符合文档管理系统对信 息的多种方式组织与表现的需要。基于文档内容的分类与传统图书文献的分类有相通 之处，在此以很成熟的文献分类方法作分析。 通常的文献分类的方法有等级列举式、分面组配式、列举一组配式等。其中等 级列举式分类法是目前普遍使用的一种分类法，其思想是将类目体系组织成个树状 结构，依次列出详尽的类目，并以缩格表示类目的等级关系。著名的等级列举式分类 法有：杜威十进分类法( d e w e yd e c i m a lc l a s s i f i c a t i o n 简称d d c ) 、中国图书馆图书 分类法( c l c ) 。 分面组配式分类法更能适应现代文献标引和检索的需要。其思想是任何复合主题 都可由相应多单元的分解和组合来实现。编制分类时没必要详尽列举所有主题，只要 在类表中按照范畴列出各种基本概念，并分别配予相应号码，使用时先分析文献主题， 根据主题分析的结果，通过相应概念的组配表达文献主题，一个个概念标识的组合， 表示该主题在分类体系中的次序。其特点是：可充分揭示复合主题；具有较强表达性， 可根据不同需要进行多元检索：可调整进行新的组配；类表易于控制、管理、修订。 因此易于组织检索，特别适合于特定领域的文档管理。 文档管理中通常采用分面组配法进行分类。因为文档的种类和内容众多，而且时 刻发生变化，确定一个大而全的分类体系非常困难，而且应用上效率极低。可以在某 一个领域根据应用需要采用大家都会普遍应用的分类。例如政府部门收发文填写的内 容和办理程序都类似，所不同的往往是文件题头、字号等等，因此在办理公文的文档 内容中，可简单根据公文类型( 发文、收文、消息) 、密级( 绝密、秘密) 、紧急度( 特 急、急) 进行逻辑分类。用于归类选择的分类标准应该使用较频繁，选项可穷举、可 添加。 3 4 文档内容的检索 检索是文档管理的主要应用之一。完成文档标引处理的同时，一方面将文档本身 纳入数据库，按一定的方式加以组织；另一方面，要将文档处理的结果即文档记录组 织成相应的检索工具。 华中科技大学硕士学位论文 = = = = = = = ；= = = = = = = ；= = = = = = = = = = = 一一： 检索就是以各类数据诸如文字、声音、图像等为处理对象，提供按照数据资料的 内容来实现的信息检索手段【i “。它能提供快捷的数据管理工具和强大的数据查询手 段，快速帮助人们进行大量文档资料的整理和管理工作，并使人们能够快速方便地查 到他们想要的任何信息。 检索分为两类：一类检索途径直接来自文档的外部特征，可以据以查找一种或数 种文档。常用的包括：作者、文档名、文档登录号、甚至引证关系等。这类途径可以 查出特定文档和缩小查找范围。但需要预先知道确切线索，也不能扩大对相关文档的 查找。另一类检索途径则来自文献的主题内容，包括分类法和主题法两种形式。分类 法以表达文档内容的标记符号为标识，主题法直接以表达文献内容的语词为标识，分 别依据主题之间关系和主题字顺的方式提供检索途径，可以直接从所需主题内容入手 进行查找，还可以根据主题内容之间的联系扩大或缩小检索范围，因此在基于文档内 容的挖掘方面有更广泛的应用。 图3 1 主题法的文档检索过程 主题法的依据对象为文档主题内容，要求提取论述的对象，再以标识如主题词或 分类号加以表达【l 。在赋予标识的同时，还必须通过对标识的组织，将文档记录组织 成有序的检索系统。在实际操作中，往往按照预先确定的主题标识系统或规则，对文 档内容进行分析和处理。通过对文档赋予系统规定的相应标识，将文档纳入这一标识 系统。用户使用时，一般也需按照该系统要求将用户需求转换成一个或多个标识，再 通过与检索系统中标识进行相符性比较，实施文档检索。 在文档整理的过程中就要提供检索点，主要是确定检索内容及可检信息，以便据 此对文档信息进行有序化组织。文档的特征属性如作者、题名、关键词、时间通常都 可作为检索点。 华中科技大学硕士学位论文 = = ；= = = ；= = ；= = = = = = = = = = = = = ；= 一一 3 5 基于标引的内容组织 文档管理系统通过网络环境获取各种数据源，对各种信息源进行提取标引后，通 过搜索和检索引擎直接向更高层的内容应用提供信息。完整的流程图如下： 广 r r i 信息服务i 电子政务平台i l 企业信息平台l l 一l 、，j i 。_ j _ 孑_ 面薮石一 r 1r 互联网fe 内部网 f l j 【、_ j 图3 2 基于标引的文档管理中的信息流图 提取和标引是对信息进行统一组织的过程，对于结构化数据和许多格式化的文本 文件，能实现自动提取或标引。而对于许多流式文件，如音频文件、视频文件等，在 目前的技术条件下所能提取的信息有限，更无从捕获其内容，所以还需人力的工作。 3 5 1结合关系数据库的应用 目前应用中仍以关系数据库为主，要求不高的文档管理仍可以结合关系数据库。 为能将关系模型应用于文档管理系统中，就需要对现有的关系模型进行扩充，使它不 但能处理格式化数据，也适于处理非格式化数据。 目前管理非关系型数据的常用方法是把文件管理系统和传统的关系数据库结合 起来，对于文档中的常规数据类型( 如字符、整型等) 或者结构化标引数据由传统关 系数据库管理，而对于非常规的数据( 音频、视频、图形) 按照操作系统提供的文件 管理系统要求和管理，并把数据文件完全文件名作为一个字符串数据纳入关系数据库 系统进行管理。 华中科技大学硕士学位论文 图3 3 结合关系数据库的文档管理 例如部门有关工作人员档案可能包括编号、名字、性别和照片、证件扫描文件等， 就可以把关系数据库能有效管理的类型的信息放入关系数据库，而其他信息以文件形 式存放，在数据库中以文件名形式存放，通过链接机制获得对内容主体的访问。 另一种方式是在应用层应用服务器无缝集成。在文档数据库应用中，文档数据库 中的每一条记录分成两部分：结构化标引数据由r d b m s 存储管理；非结构化全文数 据，由非结构化数据库存储管理。这样在应用层应用服务器无缝集成提供文档数据库 管理系统的前端管理工具，以及文档数据库的查询浏览服务。还可以通过插件，把全 文检索组件集成到r d b m s 数据库管理系统，属于d a t as e r v e r 级集成。此方案的好处 是对于开发用户来说插件完全透明。 3 5 2 使用文档数据库 区别于关系型数据库，文档数据库不仅包含结构化的数据信息，而且还能有效存 储、管理关系型数据库或者其它数据库系统无法存储与管理的非结构化数据。文档数 据库管理系统由一定数量的非结构化信息和快速查询工具组成。用户通过适当的软件( 也 就是文档管理系统的一部分) 能将“查询”形式化并检索文档，找到“查询”中的元素 在文档中出现的位置，然后系统给出用户感兴趣的内容，因此文档数据库的主要应用是 对文本信息的管理。 通常文档数据库使用操作系统文件作为基本的文档容器，文件作为文档数据库的 基本信息单元 2 0 l 。一个文件中可能包括多个文档，文档数据库管理系统的主要功能是 华中科技大学硕士学位论文 ；= = = = = = = = 目= = ；= = = = = = = = # = ；= ；= = ；= = = 一= 使用户能以词模式组成的“查询”来搜索整个文件【2 “。现有文档管理数据库系统通过 预处理数据以便随后的检索快速进行。因此，文档数据库应该有两个主要功能。 1 ) 索引功能：通过关键内容生成附加信息以便检索。 2 ) 检索功能：使用检索生成的附加信息在一个可以接受的时间内检索信息。 通常对文本信息的文档建立全文索引，作为附加信息存储在文档数据库中，用以 提高检索性能。 文档数据库中文档内容的分目存放可视作一种标引的结构，只是应用中省去识别 提取的过程直接对应提取。简单的结构化数据通常用作对文档属性的描述，对更重要 的主体内容可以实现全文检索。后面提到的l o t u s n o t e s 就集成了文档数据库。 3 6 0 a 系统中对内容标引的利用 o a 系统普遍使用文档数据库，以此实现对大量非结构化文档的管理。文档数据 库的存储机制使得保存在文档数据库中的文档不再是以一个整体存放，而是按文档的 结构划分后分别存放，并用不同的域指向文档的不同部分。划分和定义域的过程实际 上就是为文档的内容预先设计了标引，因此o a 系统中域的应用与文档内容标引的思 路是一致的。 将文档划分为不同域的做法简单而且自然，但为o a 系统对文档的利用提供了巨 大的便利，主要体现在以下几点上： 可以利用文档数据库对文档进行存取，发掘文档内容的关联，细化对内容信息的 挖掘。例如：通过简单的分类清晰的区分大量文档，按关键词进行索引更能提高查询 的效率。 可以支持o a 系统中文档的存取控制、工作流等应用。文档的域值可用于判定文 档的存取权限、文档流转状态等，这已超越最初文档标引的作用。通过在设计中有