dev@xmlfr.org : liste de discussion des développeurs du site XMLfr
[dev@xmlfr.org] Première(naïve) proposition d'utilisation de Lucene
From: Eric van der Vlist (vdv@dyomedea.com)
Date: 23/06/2004 - 09:21
Bonjour,
Un petit bout de code vaut mieux qu'un long discours et je viens de
publier une première proposition pour utiliser Lucene sur XMLfr :
http://dev.xmlfr.org/cgi-bin/viewcvs.cgi/xmlfr-beta/sources/org/xmlfr/lucene/
Pour l'instant, il s'agit de deux utilitaires ligne de commande (Indexer
et Search) qui permettent respectivement d'indexer un jeu de documents
XML au format NITF et d'effectuer des recherches.
J'ai voulu proposer quelque chose de plus léger que les pipelines
d'indexation de SDX et l'indexeur (XmlAnalyser.java) est écrit sous
forme d'un récepteur SAX paramétrable de la manière suivante :
mappings.put("/nitf", new FieldType("contenu", FieldType.UNSTORED));
mappings.put("hedline/hl1", new FieldType("titre1", FieldType.TEXT));
mappings.put("hedline/hl2", new FieldType("titre2", FieldType.TEXT));
mappings.put(
"dateline/story.date/chron/@norm",
new FieldType("date", FieldType.DATE));
mappings.put(
"dateline/story.date/@norm",
new FieldType("date", FieldType.DATE));
Ces instructions indiquent que tout les textes sous l'élément "/nitf"
seront indexés dans un champ de type "UNSTORED" appelé "contenu", que
les textes sous les éléments hedline/hl1 et hedline/hl2 seront stockés
dans des champs de type TEXT nommés respectivement "titre1" et "titre2"
et que les attributs dateline/story.date/chron/@norm et
dateline/story.date/@norm seront stockés dans des champs de type DATE
nommés "date".
Les chemins sont du simili XPath (je ne me suis pas (encore?) ennuyé à
supporter les espaces de noms).
Ce paramétrage doit pouvoir être relativement facilement étendu pour
indexer les documents RSS dans lesquels sont stockées les brèves.
L'indexage des archives de mails actuellement en HTML viendra ensuite.
Après indexation, on peut rechercher des choses simples, par exemple
"edifrance" mais également tirer partie des différents champs, par
exemple "titre2:microsoft date:[20030101 TO 20031231]" pour les articles
contenant "microsoft" dans le titre de niveau 2 et publiés en 2003.
Est-ce que nos experts Lucene peuvent jeter un coup d'oeil et me dire ce
qu'ils pensent de tout cela?
Merci,
Eric
PS: pour faire tourner cela chez vous, il vous faut Xerces, Lucene et
Snowball.
--
Rendez-vous à Paris (Web Services Convention).
http://masl.to?C12E25728
Upcoming XML schema languages tutorial:
- Portland -half day- (27/07/2004) http://masl.to/?E6ED13728
------------------------------------------------------------------------
Eric van der Vlist http://xmlfr.org http://dyomedea.com
(ISO) RELAX NG ISBN:0-596-00421-4 http://oreilly.com/catalog/relax
(W3C) XML Schema ISBN:0-596-00252-1 http://oreilly.com/catalog/xmlschema
------------------------------------------------------------------------
--
Devenez redacteur <XML>fr et contribuez au developpement du
xml francophone (http://xmlfr.org/infos/redacteurs/) !
Liste de diffusion "dev@xmlfr.org" (http://xmlfr.org).
Cette liste est a votre disposition pour discuter en francais de
tout sujet technique lie au developpement du site XMLfr.
Pour resilier votre abonnement, envoyez un message contenant
la commande "unsubscribe" a dev-request@xmlfr.org
(mailto:dev-request@xmlfr.org?Subject=unsubscribe)
Archive générée par hypermail 2.1.3 le 28/06/2004 - 21:32 UTC
webmaster@xmlfr.org
|
