【转】xapian全文索引库

其它资料:

http://blog.chinaunix.net/uid-26575352-id-3480687.html

http://blog.csdn.net/zhoukuanbin/article/details/51578538

以下转自:http://blog.csdn.net/zengraoli/article/details/9397853


1、先来看一下Xapian的介绍:

Xapian的官方网站是http://www.xapian.org,这是一个非常优秀的开源搜索引擎项目,搜索引擎其实只是一个通俗的说法,正式的说法其实是IR(Information Retrieval)系统。Xapian的License是GPL,这意味着允许使用者自由地修改其源码并发布之。Xapian的中文资料非常少,可以说现在互联网上连一篇完整详细的Xapian中文介绍文档,更别说中文API文档了。


Xapian由C++编写,但可以绑定到Perl, Python, PHP, Java, Tcl, C# 和Ruby甚至更多的语言,Xapian可以说是STL编程的典范,在这里您可以找到熟悉的引用计数型智能指针、容器和迭代器,甚至连命名也跟STL相似,相信一定能引起喜好C++和STL的你的共鸣(实际上,很少C++程序员完全不使用STL)。


注:

更详细的介绍请参考:http://www.162cm.com/p/xapian-learning.html

自己编译参考请参考:http://blog.csdn.net/visualcatsharp/article/details/4096639

当然你也可以直接下载我自己编译的版本:(包含在测试项目中,下载地址:)

http://download.csdn.net/detail/zengraoli/5791047


二、使用Xapian的一个例子(神马介绍都是浮云,能用起来才是王道)

[cpp]  view plain  copy
 print ?
  1. // writedatabase.cpp : 定义控制台应用程序的入口点。  
  2. //  
  3.   
  4. #include "../xapian.h"   
  5. #include   
  6. using namespace std;  
  7.   
  8.   
  9. #pragma comment(lib, "ws2_32.lib")  
  10. #pragma comment(lib, "../xapian-lib/zdll.lib")  
  11. #pragma comment(lib, "../xapian-lib/libapi.lib")  
  12. #pragma comment(lib, "../xapian-lib/libapi.lib")  
  13. #pragma comment(lib, "../xapian-lib/libbackend.lib")  
  14. #pragma comment(lib, "../xapian-lib/libcommon.lib")  
  15. #pragma comment(lib, "../xapian-lib/libexpand.lib")  
  16. #pragma comment(lib, "../xapian-lib/libflint.lib")  
  17. #pragma comment(lib, "../xapian-lib/libflintbtreecheck.lib")  
  18. #pragma comment(lib, "../xapian-lib/libinmemory.lib")  
  19. #pragma comment(lib, "../xapian-lib/liblanguages.lib")  
  20. #pragma comment(lib, "../xapian-lib/libmatcher.lib")  
  21. #pragma comment(lib, "../xapian-lib/libmulti.lib")  
  22. #pragma comment(lib, "../xapian-lib/libnet.lib")  
  23. #pragma comment(lib, "../xapian-lib/libquartz.lib")  
  24. #pragma comment(lib, "../xapian-lib/libquartzbtreecheck.lib")  
  25. #pragma comment(lib, "../xapian-lib/libqueryparser.lib")  
  26. #pragma comment(lib, "../xapian-lib/libremote.lib")  
  27. #pragma comment(lib, "../xapian-lib/libtest.lib")  
  28. #pragma comment(lib, "../xapian-lib/libunicode.lib")  
  29.   
  30.   
  31. #define INDEX_PATH "..\\index_data"  
  32.   
  33.   
  34. int main(int argc, char **argv)  
  35. {  
  36.     try  
  37.     {  
  38.         // 创建或者打开一个可读写的数据库  
  39.         Xapian::WritableDatabase db(INDEX_PATH, Xapian::DB_CREATE_OR_OPEN);  
  40.         // 分词器  
  41.         Xapian::TermGenerator indexer;  
  42.         string para;  
  43.         int flag = 0;  
  44.         while (flag++ < 8)  
  45.         {  
  46.             string line;  
  47.             if (cin.eof())  
  48.             {    
  49.                 if (para.empty()) break;  
  50.             }  
  51.             else  
  52.             {  
  53.                 getline(cin, line);  
  54.             }  
  55.             if (line.empty())  
  56.             {  
  57.                 if (!para.empty())  
  58.                 {  
  59.                     // 生成一个文档  
  60.                     Xapian::Document doc;  
  61.                     doc.set_data(para); // 定义文档数据,这些数据对于用户来说是不透明的,用户可以在这里定义文档的一些属性,或URI,路径等信息  
  62.                     // 设置文档,分词  
  63.                     indexer.set_document(doc);  
  64.                     indexer.index_text(para);  
  65.                     // Add the document to the database.  
  66.                     // 把文档加入数据库  
  67.                     db.add_document(doc);  
  68.                     para.resize(0);  
  69.                 }  
  70.             }  
  71.             else  
  72.             {  
  73.                 if (!para.empty()) para += ' ';  
  74.                 para += line;  
  75.             }  
  76.         }    
  77.   
  78.         db.flush();  
  79.     }  
  80.     catch (const Xapian::Error &e)  
  81.     {  
  82.         cout << e.get_description() << endl;  
  83.         exit(1);  
  84.     }  
  85. }  

说说上面程序核心部分的意思:

         以DB_CREATE_OR_OPEN方式打开INDEX_PATH路径下的数据库(这种方式是,不存在则创建出来,存在就直接追加);

         在Xapian中也有这样一个概念,所有的Xapian操作都是围绕数据库来的,在索引建立的时候,所有文档(Document)都会被放入数据库中

         所以我们下一步是来创建文档:Xapian::Documentdoc;假如从控制台输入的数据不为空,那么para是有数据的(控制台通过判断当前输入是否为empty,即空行的情况),我们去设置这个文档的内容:doc.set_data(para);

这样我们的文档里边是存在内容的了,那么我们需要通过分词器去为我们识别每一个词indexer.set_document(doc);,用indexer.index_text(para);设置我们的索引text(对于这个函数的说明是这样的):

[cpp]  view plain  copy
 print ?
  1. /** Index some text in a std::string. 
  2.  * 
  3.  * @param weight    The wdf increment (default 1). 
  4.  * @param prefix    The term prefix to use (default is no prefix). 
  5.  */  

Xapian默认是通过判断空格来区分每一个词的,所以这么设置之后,假若文档中有N个空格,那么单词数就有N+1个。

最后一步,要把这个已经分好词的文档,放到数据库中db.add_document(doc);


这样之后,我们的数据库就有数据了,这里我的输入是:

【转】xapian全文索引库_第1张图片


下面来看看,怎样对刚才数据库中的这几条语句,做检索:

[cpp]  view plain  copy
 print ?
  1. // search.cpp : 定义控制台应用程序的入口点。  
  2. //  
  3.   
  4. #include "stdafx.h"  
  5. #include "../xapian.h"   
  6. #include   
  7. using namespace std;   
  8.   
  9. #pragma comment(lib, "ws2_32.lib")  
  10. #pragma comment(lib, "../xapian-lib/zdll.lib")  
  11. #pragma comment(lib, "../xapian-lib/libapi.lib")  
  12. #pragma comment(lib, "../xapian-lib/libapi.lib")  
  13. #pragma comment(lib, "../xapian-lib/libbackend.lib")  
  14. #pragma comment(lib, "../xapian-lib/libcommon.lib")  
  15. #pragma comment(lib, "../xapian-lib/libexpand.lib")  
  16. #pragma comment(lib, "../xapian-lib/libflint.lib")  
  17. #pragma comment(lib, "../xapian-lib/libflintbtreecheck.lib")  
  18. #pragma comment(lib, "../xapian-lib/libinmemory.lib")  
  19. #pragma comment(lib, "../xapian-lib/liblanguages.lib")  
  20. #pragma comment(lib, "../xapian-lib/libmatcher.lib")  
  21. #pragma comment(lib, "../xapian-lib/libmulti.lib")  
  22. #pragma comment(lib, "../xapian-lib/libnet.lib")  
  23. #pragma comment(lib, "../xapian-lib/libquartz.lib")  
  24. #pragma comment(lib, "../xapian-lib/libquartzbtreecheck.lib")  
  25. #pragma comment(lib, "../xapian-lib/libqueryparser.lib")  
  26. #pragma comment(lib, "../xapian-lib/libremote.lib")  
  27. #pragma comment(lib, "../xapian-lib/libtest.lib")  
  28. #pragma comment(lib, "../xapian-lib/libunicode.lib")  
  29.   
  30.   
  31. #define INDEX_PATH "..\\index_data"  
  32.   
  33.   
  34. int main()  
  35. {  
  36.     try  
  37.     {  
  38.         //打开数据库  
  39.         Xapian::Database db(INDEX_PATH);  
  40.         // Start an enquire session.  
  41.         // 生成查询会话  
  42.         Xapian::Enquire enquire(db);  
  43.         string query_string("zengraoli");  
  44.         Xapian::QueryParser qp;  
  45.         qp.set_database(db);  
  46.         qp.set_stemming_strategy(Xapian::QueryParser::STEM_SOME);  
  47.         // 解析查询条件  
  48.         Xapian::Query query = qp.parse_query(query_string);  
  49.         cout << "Parsed query is: " << query.get_description() << endl;  
  50.         // 把解析后的查询条件放入查询会话  
  51.         enquire.set_query(query);  
  52.         // 得到查询结果  
  53.         Xapian::MSet matches = enquire.get_mset(0, 10);  
  54.         // Display the results.  
  55.         cout << matches.get_matches_estimated() << " results found.\n";  
  56.         cout << "Matches 1-" << matches.size() << ":\n" << endl;  
  57.         // 得到查询结果  
  58.         for (Xapian::MSetIterator i = matches.begin(); i != matches.end(); ++i)  
  59.         {  
  60.             cout << i.get_rank() + 1 << ": " << i.get_percent() << "% docid=" << *i  
  61.                 << " [" << i.get_document().get_data() << "]\n\n";  
  62.         }  
  63.     }  
  64.     catch (const Xapian::Error &e)  
  65.     {  
  66.         cout << e.get_description() << endl;  
  67.         exit(1);  
  68.     }  
  69.     return 0;  
  70.   
  71. }  

search程序核心部分:

首先打开数据库,生成一个临时会话(相当于数据库连接中的一条管道),设置我要查询的单词(这里是“zengraoli)

再来生成一个查询分析器,设置查询分析器中对应的数据库(db),设置它的返回策略(这里选择的是部分:Xapian::QueryParser::STEM_SOME)

设置查询条件,也就是上面的单词;

输出我们的查询条件看看:query.get_description()

在刚才的临时会话(管道)中,设置我们上面的查询条件;

Xapian::MSet matches用来得到从数据库中返回的所以匹配的条目;

matches.get_matches_estimated()matches.size()分别是显示出匹配的条目和大小;

我们需要一个迭代器,从匹配的条目中,逐个输出到控制台中:

[cpp]  view plain  copy
 print ?
  1. for (Xapian::MSetIterator i = matches.begin(); i != matches.end(); ++i)  
  2.         {  
  3.             cout << i.get_rank() + 1 << ": " << i.get_percent() << "% docid=" << *i  
  4.                 << " [" << i.get_document().get_data() << "]\n\n";  
  5.         }  

i.get_rank()0开始,我们必须+1,才能和使用者的三观保持一致。i.get_percent()是匹配条目的相似度(在这里是按所占文档的权重排列)的信息,;i.get_document().get_data()返回含有匹配单词的文档内容。


好了,下面我们看看结果:


【转】xapian全文索引库_第2张图片


测试数据,在这里是很少的,仅仅有四条doc

可以的话,下次测试多一些的数据,看看速度如何。



整个测试项目下载地址:

http://download.csdn.net/detail/zengraoli/5791047

你可能感兴趣的:(C/C++)