Novinka: vyhledávání

Dnešním dnem jsem zprovoznil vyhledávání. Použil jsem přitom Open Source komponentu Lucene, která je součástí projektu Jakarta. Díky těmto programátorům máte k dispozici velice silný a kvalitní engine.

Lucene pro vyhledávání používá takzvaný index. Jedná se o způsob uložení textu tak, aby se hledané fráze daly efektivně najít. Vytváření indexu je však výpočetně náročná operace, proto jej v současnosti spouštím jen jednou denně, vždy o půlnoci. Odtud plyne jedno omezení - nemůžete od vyhledávání očekávat, že nalezne nově vytvořené dokumenty. Takže mi toto chování prosím nehlašte jako chybu.

Do indexu se ukládají všechny hardwarové i softwarové záznamy, kategorie, články, diskuse i ovladače. V tuto chvíli má index 2 MB. Někdy se může stát, že výsledek vyhledávání obsahuje dvě různá URL, která se však zobrazí stejně. Jak je to možné? Tato vlastnost vychází z objektového modelu, kde objekt Položka slouží jako kontejner pro jeden a více objektů Záznam. Vyhledávání tedy může najít frázi jak názvu Položky, tak v obsahu Záznamu.

Lucene je velice silný vyhledávací nástroj. Umožňuje vytvořit velmi přesné dotazy. V této části se tedy dočtete, jak na to.

Pokud zadáte několik slov, najdou se všechny dokumenty, ve kterých se některé slovo nachází. K dispozici máte samozřejmě i logické spojky, musíte je však napsat anglicky a velkými písmeny. Například nvidia AND tnt najde všechny společné výskyty slov nvidia a tnt. Vyhledávání není závislé na velikosti písmen, proto není rozdíl mezi tnt a TNT.

Operátory plus a mínus vyžadují, respektive zakazují přítomnost některých slov. Vykřičník má stejný význam jako mínus. Výtaz -nvidia +tnt zobrazí dokumenty, ve kterých se nachází slovo tnt, ale není v nich slovo nvidia.

K dispozici máte i zástupné znaky hvězdičku a otazník s obvyklým významem. Je chybou je použít na začátku slova. Například video* najde video i videokartu, ale *video skončí s chybou.

Při hledání můžete určit i typ hledaného dokumentu. Například když chcete najít všechny diskuse, ve kterých se nachází slovo nvidia, použijete výraz nvidia AND typ:diskuse. Jednotlivé typy jsou následující: oddil, polozka, zaznam, diskuse, clanek a ovladac.

Tato první verze by měla být plně funkční a poskytovat kvalitní vyhledávání. Přesto je zde ještě pár oblastí, které by se daly vylepšit. Jedná se hlavně o náhled na nalezený dokument (typ dokumentu, výňatek z textu) a podporu českého jazyka (vyhledávání nezávislé na diakritice). Máte-li další nápady, rád si je uložím do svého TODO seznamu.

Diskuse k tomuto článku

Já bych začal tím, jak na stránce nabízí prezentuje uživateli hledání Root (viditelně a skoro všude) a jak ABC (velmi nenápadně skoro vůbec ne) Je-li k dispozici tak mocný nástroj, pak bych asi nechal uživatele hledat téměř vše a spíše bych podporoval hierarchické prohledávání přes menu než ikony u HW a SW. Místo toho bych zavedl daleko důsledněji katagorizaci (viz např. Programování, Praxe... v Rootu) a podle toho bych primárně hledal, ty ikony bych asi zlikvidoval jako třídu (žádnou přidanou hodnotu nepřinášejí, jen ubírají vzácné místo). Kategorizace by měla být daleko hierarchičtější (protože záběr ABC je širší než u Roota). Určitě by brzy měl vzniknout Archiv a opět s efektivním hledáním v něm. To je na Rootu naprosto špičková věc.

Já chápu, že jste mladý server, fandím Vám, vím co to je dělat elektronické podání daňového přiznání s elektronickým podpisem v největším IT projektu v ČR, takže vím, že vše nejde udělat hned.

24.5.2002 10:30 Leoš Literák | skóre: 74 | blog: LL | Praha
Rozbalit Rozbalit vše Zviditelnění hledání na stránce

ahoj, vyhledavani je novinka, takze se teprve hleda, kam se da umistit. Pridal jsem ji ted napriklad do zadavani dotazu v diskusnim foru.

zrusit ikonky? :-) ) co kdybych zrusil uplne veskery design, zadnou velkou hodnotu prece neprinasi .. :-) To je otazka nazoru a muj je odlisny.

Lepsi kategorizace, to urcite. Jak v sekci hardware, tak software. Ale pak uz by hrozilo, ze bych zacal konkurovat linuxlinks a to nechci. I kdyz podobne pozadavky se zacinaji mnozit ...

archiv, ale ceho? a proc? pokud clanky, tak ty jsou ukladany do rubrik a kopirovany i do stromu, kam by mohly patrit. totez se deje s diskusemi.

mlady server? existujeme uz pres tri roky, jen se zmenilo jmeno a zaber serveru. viz tento clanek.

diky za podnety

Zakladatel tohoto portálu. Twitter, LinkedIn, blog, StackOverflow

Novinka: vyhledávání

Další články z této rubriky

Diskuse k tomuto článku