ErweiterbarkeitTextanalyseDie Zend_Search_Lucene_Analysis_Analyzer Klasse wird vom Indexer verwendet, um die Textfelder der Dokumente in Abschnitte aufzuteilen. Die Zend_Search_Lucene_Analysis_Analyzer::getDefault() und Zend_Search_Lucene_Analysis_Analyzer::setDefault() Methoden werden verwendet, um den Standardanalysator zu bekommen oder festzulegen. Man kann einen eigenen Textanalysator zuordnen oder ihn aus den vordefinierten Analysatoren auswählen: Zend_Search_Lucene_Analysis_Analyzer_Common_Text und Zend_Search_Lucene_Analysis_Analyzer_Common_Text_CaseInsensitive (Standard). Beide interpretieren einen Abschnitt als eine Sequenz aus Buchstaben. Zend_Search_Lucene_Analysis_Analyzer_Common_Text_CaseInsensitive konvertiert alle Abschnitte in Kleinbuchstaben. Um zwischen Analysatoren zu wechseln: Die Zend_Search_Lucene_Analysis_Analyzer_Common Klasse wurde als Anker für alle benutzerdefinierten Analysatoren entwickelt. Benutzer sollten nur die reset() und nextToken() Methoden definieren, welche ihren String von der $_input Eigenschaft nimmt und die Abschnitte Stück für Stück zurückgibt (ein NULL Wert indiziert das Ende des Streams). Die nextToken() Methode sollte die normalize() Methode auf jedem Token aufrufen. Das erlaubt die Verwendung von Abschnittsfiltern im eigenen Analysator. Hier ist ein Beispiel für einen eigenen Analysator, welcher Wörter mit Ziffern als Begriffe akzeptiert: Example #1 Eigener Textanalysator
Filtern von TokensDer Zend_Search_Lucene_Analysis_Analyzer_Common Analisator bietet auch einen Mechanismus zum Filtern von Tokens. Die Zend_Search_Lucene_Analysis_TokenFilter Klasse bietet ein abstraktes Interface für solche Filter. Eigene Filter sollten diese Klasse direkt oder indirekt erweitern. Alle eigenen Filter müssen die normalize() Methode implementieren, welche den Eingabe Token verändern oder signalisieren, dass der Token übersprungen werden sollte. Es gibt bereits drei Filter die im Analyse Unterpaket definierte sind:
Der
Die
Der Zend_Search_Lucene_Analysis_TokenFilter_StopWords Konstruktor nimmt ein Array mit Stopwörtern als Eingabe entgegen. Aber Stopwörter können auch aus einer Datei geladen werden: Die Datei sollte eine normale Textdatei mit einem Wort pro Zeile sein. Das '#' Zeichen markiert eine Zeile als Kommentar. Der Zend_Search_Lucene_Analysis_TokenFilter_ShortWords Konstruktor hat ein optionales Argument. Es ist das Limit für die Wortlänge, der standardmäßig 2 ist. Algorithmen für PunktwertermittlungDer Punktwert einer Abfrage q für das Dokument d ist wie folgt definiert:
tf(t in d) - Zend_Search_Lucene_Search_Similarity::tf($freq) - ein Punktwertfaktor, der auf der Häufigkeit des Begriffes oder der Phrase innerhalb des Dokuments basiert. idf(t) - Zend_Search_Lucene_Search_Similarity::idf($input, $reader) - ein Punktwertfaktor für einen einfachen Begriff mit dem spezifischen Index. getBoost(t.field in d) - der Verstärkungsfaktor für das Begriffsfeld. lengthNorm($term) - der Normalisierungswert für ein Feld, der die Gesamtzahl der Begriffe innerhalb eines Fields enthält. Dieser Wert wird im Index abgelegt. Diese Wert werden zusammen mit dem Verstärkungsfaktor im Index abgelegt und vom Suchcode für alle Treffer eines Feldes zu Punktwerten multipliziert. Treffer in längeren Feldern sind weniger präzise, so dass Implementierungen dieser Methode normalerweise kleinere Werte zurückgeben, wenn numTokens groß ist, und größere Werte, wenn numTokens klein ist. coord(q,d) - Zend_Search_Lucene_Search_Similarity::coord($overlap, $maxOverlap) - ein Punktwertfaktor, der auf dem Anteil aller Abfragebegriffe basiert, die ein Dokument enthält. Das Vorhandensein eines grossen Teils der Abfragebegriffe gibt einen besseren Treffer für die Abfrage an, so dass Implementierungen dieser Methode normalerweise größere Werte zurückgeben, wenn das Verhältnis zwischen diesen Parametern groß ist, und kleinere Werte, wenn es klein ist. queryNorm(q) - der Normalisierungswert für eine Abfrage, welcher die Summe der quadrierten Gewichtungen jedes Begriffes eine Abfrage enthält. Dieser Wert wird für das Gewicht jedes Abfragebegriffes multipliziert. term. Dieses wirkt sich nicht auf die Reihenfolge ist, versucht aber, die Punktwerte für verschiedenen Abfragen vergleichbar zu machen. Der Algorithmen für die Punktwertermittlung kann durch die Definition einer eigenen Ähnlichkeitsklasse angepasst werden. Hierfür muss die Zend_Search_Lucene_Search_Similarity Klasse wie unten angegeben erweitert und anschließend die Zend_Search_Lucene_Search_Similarity::setDefault($similarity); Methode verwendet werden um Sie als Standard zu setzen.
Storage ContainerDie abstrakte Klasse Zend_Search_Lucene_Storage_Directory definiert Funktionalitäten für Verzeichnisse. Der Zend_Search_Lucene Konstruktur verwendet als Eingabe entweder einen String oder ein Zend_Search_Lucene_Storage_Directory Objekt. Die Zend_Search_Lucene_Storage_Directory_Filesystem Klasse implementiert Verzeichnisfunktionalitäten für ein Dateisystem. Wenn ein String als Eingabe für den Zend_Search_Lucene Konstruktur verwendet wird, behandelt der Indexleser (das Zend_Search_Lucene Objekt) es wie einen Dateipfad und instanziiert das Zend_Search_Lucene_Storage_Directory_Filesystem Objekt. Du kannst deinen eigenen Verzeichnisimplementation durch die Erweiterung der Zend_Search_Lucene_Storage_Directory Klasse definieren. Zend_Search_Lucene_Storage_Directory Methoden:
Die getFileObject($filename) Methode einer Zend_Search_Lucene_Storage_Directory Instanz gibt ein Zend_Search_Lucene_Storage_File Objekt zurück. Die abstrakte Klasse Zend_Search_Lucene_Storage_File implementiert einfache Funktionen für Dateiabstraktion und das Lesen von Indexdateien. Es muß außerdem Zend_Search_Lucene_Storage_File für eine eigene Verzeichnisimplementation erweitert werden. Nur zwei Methoden der Zend_Search_Lucene_Storage_File Klasse müssen in der eigenen Implementation überschrieben werden:
|