Tokyo Dystopia:基于Tokyo Cabinet的一个全文检索系统

08月 17, 2008 on 9:06 pm | In 未分类 | 5 Comments

项目主页:
http://tokyocabinet.sourceforge.net/dystopiadoc/
介绍:
Tokyo Dystopia 是一个全文检索系统,你可以搜索包含某短语的一系列记录，它的特性如下:
1.搜索的高效。
2.目标文标的高可靠性
3.N-gram 法的高召回率 （我加的，原文中没有:召回率是搜索引擎中对搜索结果能否全面的量化，召回率越高，搜索结果中包含相关文档越多，同时一般来说搜索结果越不精确，精确率越低。）
4.短语匹配，前缀匹配,后缀匹配搜索.
5.Unicode下多语种支持。
6.API的分层架构支持。
值得一提的是,印象中Tokyo Dystopia好像在日本国内社交网站老大mixi.jp上应用了。

社区全文检索引擎Hyper Estraier 学习笔记[4]

07月 12, 2008 on 12:56 pm | In 未分类 | No Comments

如何搭建一个Web界面的搜索界面
现在我的硬盘上有Linux帮助,php中文文档,mysql文档,C函数手册等文档等，它们一共有500M.
我需要一个索引工具。但是明显在命令行不是太方便。因为这些文档全是HTML格式的，我需要用浏览器来打开它们查看。
我决定在本机架设一个apache,利用hyperestraier来进行索引，提供像Google/baidu那样的web界面。
这是我的操作步骤:
1 准备目录:
我在www目录下新建了两个目录，search/tool和search/search_doc目录，将属主改为apache(这是我的apache运行的用户名).
search/tool/用来放置hyperestraier的程序和索引数据库，search_doc/下放置原始的各种帮助文档。
2.索引帮助文档:
在search/tool/目录下:

  1. estcmd create man_docs_db
  2. find ../search_doc/ -name "*.html" -type f|estcmd gather -cl -fm -cm ./man_docs_db -

然后Hyperestraier就哗啦哗啦地索引这500多M的文要资料。很快就索引完了。
3.进行CGI和estseek.cgi的相关设置。
我们将编译hyperestraier目录下产生的estseek.*复制到search_tool目录下，并修改apache的关于CGI的配置:

  1. <Directory /home/y/www/search_tool/>
  2. Options +ExecCGI
  3. addHandler cgi-script cgi pl
  4. </Directory>

现在search_tool目录下的estseek.cgi能被执行了.当然你得执行chmod a+x estseek.cgi或是chmod 0755 estseek.cgi给这个文件加上执行权屯限。
接着编辑search_tool目录下的estseek.conf文件:

  1. indexname: man_docs_db
  2. tmplfile: estseek.tmpl
  3. topfile: estseek.top
  4. helpfile: estseek.help
  5. lockindex: true
  6. pseudoindex:
  7. replace: ^file:///home/y/www/search_doc/{{!}}/search_doc/
  8. replace: /index\.html?${{!}}/
  9. showlreal: false
  10. deftitle: Hyper Estraier: a full-text search system for communities
  11. formtype: normal
  12. perpage: 10 100 10
  13. attrselect: false
  14. #genrecheck: private{{!}}private
  15. #genrecheck: business{{!}}business
  16. #genrecheck: misc{{!}}miscellaneous
  17. attrwidth: 80
  18. showscore: true
  19. extattr: author|Author
  20. extattr: from|From
  21. extattr: to|To
  22. extattr: cc|Cc
  23. extattr: date|Date
  24. snipwwidth: 480
  25. sniphwidth: 96
  26. snipawidth: 96
  27. condgstep: 2
  28. dotfidf: true
  29. scancheck: 3
  30. phraseform: 2
  31. dispproxy:
  32. candetail: true
  33. candir: false
  34. auxmin: 32
  35. smlrvnum: 32
  36. smlrtune: 16 1024 4096
  37. clipview: 2
  38. clipweight: none
  39. relkeynum: 0
  40. spcache:
  41. wildmax: 256
  42. qxpndcmd:
  43. logfile:
  44. logformat: {time}\t{REMOTE_ADDR}:{REMOTE_PORT}\t{cond}\t{hnum}\n

这里主要要修改indexname和replace.
说明:
indexname是你前面用estcmd create命令创建的索引数据库的名字.
replace可以多行，能对搜索结果中显示的文件路径做一个正则替换。因为索引入库的URL是file:///home/***类似
的路径，在web中显示出来没法访问。
好的，现在在search_tool/目录创建一个首页index.html,并给一个表单:

  1. <form method="GET" action="estseek.cgi">
  2. <div>
  3. <input type="text" name="phrase" value="" size="32" />
  4. <input type="submit" value="Search" />
  5. <input type="hidden" name="enc" value="UTF-8" />
  6. </div>
  7. </form>

现在就可以通过http://localhost/search_tool/来搜索你的帮助文档了。

后记:
但是，很快我发现几个问题:
1:Hyperestraier在处理gb2312的文档时，似乎有时侦测文档的编码类型会失败。搜索的时候对应的结果没有。
2.在显示搜索结果的摘要时，没有过滤HTML标签。这是我问题:我在检索的时候应该用的是:

  1. find ../search_doc/ -name "*.html" -type f|estcmd gather -cl -fm -cm -fh ./man_docs_db -

这才能按照html来解析，否则是按mime来解析的。
3.搜两个词时，我期望的是同时包含其中任何一个词的网页都能出来，但是Hyperestraier就只搜同时包含这两个词的网页，所以搜长点的词经常结果为空。
4.对于有些词，比如中文的”的”,英文的”the”,没有进行忽略。当然这对目前的应用来说不是太大的问题。
但是无论如何，前三个问题，迫切需要解决。下一次就来抓一个出来处理掉。

社区全文检索引擎Hyper Estraier 学习笔记[2]

06月 22, 2008 on 10:35 am | In 未分类 | 1 Comment

hyperestraier是在前文已经介绍过一的一个开源搜索引擎程序。
分词:采用N-gram,char_category等来分词，良好地支持中文等东亚文字。
分词程序在:estraier.c中
est_break_text
est_break_text_perfng
est_break_text_chrcat
等分法。
相关的函数有
276 static int est_char_category(int c);
277 static int est_char_category_perfng(int c);
278 static int est_char_category_chrcat(int c);
等

分词默认采用est_break_text
当创建数据库时采用 estcmd create dbname -apn 时，采用est_break_text_perfng来分词
当创建数据库时是用 estcmd create dbname -acc 时，用est_break_text_chrcat来分词
采用est_break_text来分词时，结果这样样的:
今天 天突 突然 然想 想起 起霍 霍炬 炬曾 曾告 告诉 诉过 过我 我的 的一 一个 个日 日本 本人 人开 开发 发的 的全 全文 文检 检索 索引 引擎 擎, , 于是 是找 找他 他问 问了 了,
是双字连着的分词法，这样会占用多至少一倍的检索空间，同时精确度差一点（但是精确度比按字分词好一点)。


系列文章:
社区全文检索引擎Hyper Estraier 学习笔记[1]

社区全文检索引擎Hyper Estraier 学习笔记[2]

社区全文检索引擎Hyper Estraier 学习笔记[3]

社区全文检索引擎Hyper Estraier 学习笔记

07月 18, 2007 on 12:33 am | In 未分类 | 3 Comments

今天突然想起霍炬曾告诉过我的一个日本人开发的全文检索引擎,于是找他问了,并下载下来看了看。
晚上去优酷去混脸熟,主讲的是讲品牌营销的，我不感兴趣，于是在下面打开电脑，学习Hyper Estrainer的文档，现在趁着没忘，做个笔记:

1.Hyper Estraier是一个用C语言开发的全文检索引擎,他是由一位日本人开发的.工程注册在sourceforge.net(http://hyperestraier.sourceforge.net).
2.Hyper的特性:
高速度,高稳定性,高可扩展性…(这可都是有原因的,不是瞎吹)
P2P架构(可译为端到端的,不是咱们下大片用的p2p)
自带Web Crawler
文档权重排序
良好的多字节支持(想一想，它是由日本人开发的….)
简单实用的API(我看了一遍，真是个个都实用,我能看懂的，也就算简单了)
短语,正则表达式搜索(这个有点过了,不带这个,不是好的Full text Search Engine?)
结构化文档搜索能力(大概就是指可以自行给文档加上一堆属性并搜索这些属性吧?这个我没有实验)

3.Hyper Estraier的安装
安装分两步进行:安装QDBM，再安装Hyper estrainer.
Hyper Estraier 需要QDBM来做数据库驱动.为什么不用Mysql/PGSql/Oracle?….想想吧…..我们要的是速度..速度..速度..
QDBM是与NDBM,SDBM,GDBM,TDB,TinyCDB,Berkeley DB相类似的一个,这一些驱动中有些功能欠缺，有些速度慢,作者认为,这其中,QDBM做到了一个较好的平衡.
另外…QDBM的作者也是Mikio Hirabayashi。(开始我以为Ruby的作者也是他，后来查了查Ruby programming,发现是Yukihiro Matsumoto,a.k.a “Matz”.难怪,日本人的英文名字看起来都一样的怪..
首先安装QDBM,安装完以后,再开始Hyper Estrainer的配置.Hyper Estrainer对其他组件的依赖性比较少,config,make过程都很快.一般的问题都是出在没有事先安装QDBM,或是找不到QDBM的头文件。QDBM一般个人很少直接用，所以推荐就默认安装，这样方便Hyper Estrainer 找到它的头文件.

4.Hyper Estraier的文档分为五部分:
a.简介
b.用户指南
c.编程指引
d.P2P架构主法
e.Web蜘蛛

5.使用:

  1. find ./ -name "*.txt" -type f|estcmd gather -cl -fm -cm testdb -

这一命令,将查找当前目录下的所有txt文件,并用Hyper Estrainer索引.索引的数据库名字是testdb.

  1. estcmd search -vx -max 10 testdb 'Fedora core'

这一命令在testdb库中检索Fedora core,结果用xml给出,列出10个结果.

我认为最重要的就是索引文件(estcmd gather)和检索(estcmd search)这两步了.其他的可以运行estcmd 看说明.

6.p2p架构:
Hyper Estrainer 可以多组实例同时运行,不同的Node之间是可以互相通信的.当然,这一组组的node server都可以进行一个node master进行管理.不同的Node server之间可以互相通信.在查询时，可以通过任何一个node server进行查询,这个node server与其他node server间通信，将各个node server之前的search result 组合起来按某个权重排序并返回给Query 用户。同时,不同的node server可以指定不同的priority.
运行

  1. estmaster init testdb

可以产生一个testdb配置目录.然后运行

  1. estmaster start testdb

可以按这个配置来运行一个node master.
发果你没有修改testdb/_config中的服务器地址,那现在可以打开firefox，进入http://localhost:1978/master_ui进行管理。注意默认的用户名密码是admin/admin (我猜这个写程序的大牛一定是1978年生的,人家只比我大5岁,就能写Full-text search engine了).在这个webpage你可以进行node,managers的管理操作.
estmaster命令用来进行node master的管理,estcall 则可以对任一一个node server进行管理,比如

  1. //该例子来自hyperestrainer.sourceforge.net网站
  2. #file data002.est
  3. #
  4. @uri=data002
  5. @title=Liberian Girl
  6.  
  7. Liberian girl
  8. You came and you changed My world
  9. A love so brand new
  11. Then, register document using:
  12. # file data002.est结果.
  13. 在命令行中运行
  14. estcall put -auth clint tnilc http://localhost:1978/node/test2 data002.est
  15. 就直接将tile=Liberian Girl,uri=data002这样一个文档添加到test2这个node的索引中去了.

7.Web 蜘蛛
Hyper Estrainer还自行实现了一个蜘蛛。简要介绍其用法:

  1. estwaver init testdb

将建立一个初始目录。咱们看一个testdb/_conf文件:

  1. 1 seed: 1.5|http://hyperestraier.sourceforge.net/uguide-en.html
  2.   2 seed: 1.0|http://hyperestraier.sourceforge.net/pguide-en.html
  3.   3 seed: 1.0|http://hyperestraier.sourceforge.net/nguide-en.html
  4.   4 .....

这里就设定了小蜘蛛要开始抓的网页的地址了.你可以改成你的博客啥的。

  1. estwaver crawl testdb

这个命令将要抓取.

然后检索呢?其实与前面的用法一样，只不过数据目录变成了testdb/_index了:

  1. estcmd search -vs casket/_index "hyper estraier"

怎么样?心动了吧?这样一套好用的东东,还是以LGPL协议发面的,商业应用起来很爽。偶都打算在我的老台式P3上用他来跑一个搜索引擎，打败Google(……你小子就做梦吧….)

社区全文检索引擎Hyper Estraier 学习笔记[1]

社区全文检索引擎Hyper Estraier 学习笔记[2]

社区全文检索引擎Hyper Estraier 学习笔记[3]

Powered by WordPress with Pool theme design by Borja Fernandez.
Entries and comments feeds. Valid XHTML and CSS. ^Top^