[发明专利]一种文档检测的方法、服务器及计算机可读存储介质

说明书

本发明公开了一种文档检测的方法、服务器及计算机可读存储介质，本发明通过构建预设文档的指纹库，再根据指纹库中的特征数据，对待检测文档进行相似度检测和文档重复度检测，以实现对待检测文档的相似度检测和文档重复度检测，从而有效解决了现有技术中对文档检测不准确的问题。

技术领域

本发明涉及计算机技术领域，特别是涉及一种文档检测的方法、服务器及计算机可读存储介质。

背景技术

文档类数据是企业单位中常见的数据类型，对于企业单位，有很多重要的数据是以文档类数据的形式存在，对重要文档类数据的内容有效保护，是企业安全中的重要组成部分。

现有技术包括两种方向，一种是文档相似程度的检测方式，该种检测方法不能有效检测文本块的重复内容，另一种是相同内容块的长度的检测方式，该种检测方法不能有效检测文档的相似程度，也就是说，现有技术都不能很准确的对文档进行检测。

发明内容

本发明提供了一种文档检测的方法、服务器及计算机可读存储介质，以解决现有技术中对文档检测不准确的问题。

一方面，本发明提供了一种文档检测的方法，该方法包括：构建预设文档的指纹库，所述指纹库用于存储所述预设文档的特征数据；根据所述指纹库中的特征数据，对待检测文档进行相似度检测和文档重复度检测。

进一步地，所述构建预设文档的指纹库，具体包括：抽取预设文档中的内容，采用局部敏感哈希算法生成所述预设文档的特征词和特征字，并获取所述预设文档中的语句块，将所述特征词、所述特征字和所述语句块存入指纹库。

进一步地，根据所述指纹库中的特征数据，对待检测文档进行相似度检测和文档重复度检测，具体包括：根据所述指纹库和待检文档的特征数据，对待检文档和预设文档进行相似度检测，并对待检文档和预设文档进行文档重复度检测。

进一步地，该方法还包括：抽取所述待检文档的特征数据。

进一步地，所述抽取所述待检文档的特征数据，具体包括：采用局部敏感哈希算法抽取所述待检文档的特征词和特征字，并获取所述预设文档中的语句块。

进一步地，所述对待检文档和预设文档进行文档重复度检测，具体包括：

判断待检文档中是否存在预设文档中的语句块，如果是，则记录待检文档存在所述语句块的个数，否则，则判定待检文档与所述预设文档不存在重复。

进一步地，判断待检文档中是否存在预设文档中的语句块，具体包括：判断待检文档中是否存在，与预设文档中的语句块意思相同，且与所述语句块的字数的差值在预设字数范围内的语句块，如果是，则确定待检文档存在所述语句块。

进一步地，所述特征数据包括以下中的一种或多种：特征字、特征词和语句块。

另一方面，本发明还提供一种服务器，所述服务器包括处理器、存储器及通信总线；

所述通信总线用于实现处理器和存储器之间的连接通信；

所述处理器用于执行存储器中存储的计算机指令，以实现上述任一种所述的文档检测的方法。

再一方面，本发明还提供一种计算机可读存储介质，计算机可读存储介质存储有一个或者多个程序，一个或者多个程序可被一个或者多个处理器执行，以实现本发明提供的任一种所述的文档检测的方法。

本发明有益效果如下：

本发明通过构建预设文档的指纹库，再根据指纹库中的特征数据，对待检测文档进行相似度检测和文档重复度检测，以实现对待检测文档的相似度检测和文档重复度检测，从而有效解决了现有技术中对文档检测不准确的问题。

附图说明

图1是本发明实施例的一种文档检测的方法的流程示意图；