Re: Фильтры документов для системы полнотекстового поиска
On Fri, Nov 06, 2009 at 05:21:53PM +0300, Alexey Pechnikov wrote: Хотелось бы что-то без такого количества зависимостей. Посмотрите конверторы от recoll (а возможно, и вся софтина подойдёт, Не знал такого, посмотрел. Реализовано не совсем криво, хотя выбран явно не лучший вариант многих конверторов. Имхо оптимально преобразовывать офисные документы в html, а потом в txt с помощью w3m - на мой вкус получается почти идеально. Например, с помощью catppt результат, мягко говоря, неадекватный, до уровня ppthtml+w3m абсолютно не дотягивает. Смотрел не очень внимательно, но, похоже, индексируют по расширению, а не по mime-типу. Установки пониженного приоритета для фильтров не нашел... Мета-тэги засовываются в head, а тело документа, преобразованное в текст, в body/pre... xattr, видимо, не поддерживаются, и то хорошо - иначе даже боюсь подумать, куда бы их могли засунуть... См. тж. mimeconf, mimemap в комплекте или ~/.recoll/; насчёт nice -- резонно (на линуксе ещё бы и ionice при возможности заюзывать). Что интересно, обещана интересная фича - переключение стеммера на уровне поискового запроса. Получается, стеммер только для запроса используют, а при индексировании - нет? Простите за оперативный ответ -- Вас не затруднит связаться с автором, если софтинка пригодилась? Он *очень* адекватный, один из моих любимых апстримов. Себе в архив отложил, но не уверен, что успею оперативно: - перевести-отослать - отхэндлить дальнейшую переписку либо захочется станцевать от xapian-core -- движок очень достойный, локально даёт фору гуглю при работе по почтовому архиву даже в его публичной части). В чем именно дает фору? В результативности. Порой находится то, что по гуглю не находится вообще (причём потом откапывается руками в /pipermail); как правило, релевантность _для меня_ также не хуже или заметно лучше. BTW кое-кто вроде RFP вешал с год тому, нет? ;-) А это кому вопрос? К dottedmag@ IIRC. P.S. Кстати, я что-то не понимаю, или ни один из индексаторов не предусматривает способа запретить индексирование директории, положив туда файлик вида .noindex? recoll умеет множественные исключения (как и множественные toplevel dirs). -- WBR, Michael Shigorin m...@altlinux.ru -- Linux.Kiev http://www.linux.kiev.ua/ -- To UNSUBSCRIBE, email to debian-russian-requ...@lists.debian.org with a subject of unsubscribe. Trouble? Contact listmas...@lists.debian.org
Re: Фильтры документов для системы полнотекстового поиска
Hello! On Tuesday 08 December 2009 17:38:49 Michael Shigorin wrote: Что интересно, обещана интересная фича - переключение стеммера на уровне поискового запроса. Получается, стеммер только для запроса используют, а при индексировании - нет? Простите за оперативный ответ -- Вас не затруднит связаться с автором, если софтинка пригодилась? Он *очень* адекватный, один из моих любимых апстримов. Не пригодилась. Сделал набор фильтров для разных типов документов и тиклевый скрипт-индексатор, как движок использую SQLite расширение FTS3. Как стемминг делать понятно, но пока надобности нет. Сейчас используется для веб-портала, в т.ч. показывает содержимое документов в виде plain-text с сохранением форматирования (включая таблички) для удобства и экономии траффика. Best regards, Alexey Pechnikov. http://pechnikov.tel/
Re: Фильтры документов для системы полнотекстового поиска
On Sun, Nov 01, 2009 at 06:28:51PM +0300, Alexey Pechnikov wrote: Хотелось бы что-то без такого количества зависимостей. Посмотрите конверторы от recoll (а возможно, и вся софтина подойдёт, либо захочется станцевать от xapian-core -- движок очень достойный, локально даёт фору гуглю при работе по почтовому архиву даже в его публичной части). BTW кое-кто вроде RFP вешал с год тому, нет? ;-) -- WBR, Michael Shigorin m...@altlinux.ru -- Linux.Kiev http://www.linux.kiev.ua/ -- To UNSUBSCRIBE, email to debian-russian-requ...@lists.debian.org with a subject of unsubscribe. Trouble? Contact listmas...@lists.debian.org
Re: Фильтры документов для системы полнотекстового поиска - формат odt
Hello! On Tuesday 03 November 2009 10:45:03 Serhiy Storchaka wrote: Не дудите котов. (echo ... echo ... unzip ... unzip ... unzip ... echo ...) | xsltproc odt2html.xsl - Спасибо, котам полегчало :-) Best regards, Alexey Pechnikov. http://pechnikov.tel/
Re: Фильтры документов для системы полнотекстового поиска
On Sun, Nov 01, 2009 at 06:28:51PM +0300, Alexey Pechnikov wrote: Hello! В фильтрах от tracker ssindex из gnumeric преобразует в текст файлы csv с разными разделителями и таблицы от msoffice, abiword, gnumeric,... Ман нашел вот здесь http://linux.die.net/man/1/ssindex Хотелось бы что-то без такого количества зависимостей. Это ладно. Меня больше всего ужасает использование evolution для индексирования почты. Которое у меня еще и не работает. Кроме того, может кто-нибудь уже докопался до того, как можно переиндексировать все файлы определенного MIME типа? -- To UNSUBSCRIBE, email to debian-russian-requ...@lists.debian.org with a subject of unsubscribe. Trouble? Contact listmas...@lists.debian.org
Re: Фильтры документов для системы полнотекстового поиска - формат odt
Hello! On Monday 02 November 2009 18:18:13 Иван Лох wrote: Это ладно. Меня больше всего ужасает использование evolution для индексирования почты. Которое у меня еще и не работает. Кроме того, может кто-нибудь уже докопался до того, как можно переиндексировать все файлы определенного MIME типа? В смысле самому или с помощью какой-то конкретной системы? Если первое, то команда file показывает mime-тип. А вот еще по одному фильтру вопрос возник. Самый что ни на есть распрекрасный odt нужно индексировать. С помощью лома и какой-то матери нашел ODF Tools, которые дают неплохой html. Опять же, плодя временные файлы. Чтение исходников привело к мысли, что все гораздо проще делается, например, так cat (echo ?xml version='1.0' encoding='UTF-8'?)\ (echo office:document xmlns:office='urn:oasis:names:tc:opendocument:xmlns:office:1.0')\ (unzip -p 101.odt meta.xml |grep -v ?xml version=|less) \ (unzip -p 101.odt content.xml |grep -v ?xml version=|less) \ (unzip -p 101.odt styles.xml |grep -v ?xml version=|less) \ (echo /office:document)\ |xsltproc odt2html.xsl - Оно работает, и без временных файлов. Но, как я понимаю, это башизм и с ним надо бороться. Вопрос - как? Не соображу, как бы это переписать да еще без вызова лишних утилит... Best regards, Alexey Pechnikov. http://pechnikov.tel/
Re: Фильтры документов для системы полнотекстового поиска - формат odt
Alexey Pechnikov wrote: cat (echo ?xml version='1.0' encoding='UTF-8'?)\ (echo office:document xmlns:office='urn:oasis:names:tc:opendocument:xmlns:office:1.0')\ (unzip -p 101.odt meta.xml |grep -v ?xml version=|less) \ (unzip -p 101.odt content.xml |grep -v ?xml version=|less) \ (unzip -p 101.odt styles.xml |grep -v ?xml version=|less) \ (echo /office:document)\ |xsltproc odt2html.xsl - Оно работает, и без временных файлов. Но, как я понимаю, это башизм и с ним надо бороться. Вопрос - как? Не соображу, как бы это переписать да еще без вызова лишних утилит... Не дудите котов. (echo ... echo ... unzip ... unzip ... unzip ... echo ...) | xsltproc odt2html.xsl - -- To UNSUBSCRIBE, email to debian-russian-requ...@lists.debian.org with a subject of unsubscribe. Trouble? Contact listmas...@lists.debian.org
Re: Фильтры документов для системы полнотекстового поиска
Hello! On Sunday 01 November 2009 19:13:50 Artem Chuprina wrote: Нет, судя по тому, что в этой утилитке написано, обмануть ее можно тупо и цинично - указав /dev/stdout в качестве выходного файла. Но от промежуточных файлов это тебя никак не избавит. А вообще - RTFS было бы сделать быстрее, чем спрашивать в рассылке. Той утилиты, я извиняюсь, zsh% wc -l `which wvText` 82 /usr/bin/wvText Эта утилитка вызывает другие утилитки, которые в конце-концов вызывают бинарь. А промежуточные файлы возникают по пути только из-за того, что не передан нужный аргумент при вызове бинаря (понятно, что при конвертации в текст можно безболезненно запретить вытаскивать картинки из исходного документа). Конвертирует вроде неплохо, так что перепишу это безобразие. А пока занят допиливанием полнотекстового поиска в SQLite :-) Best regards, Alexey Pechnikov. http://pechnikov.tel/