Kapitel 19. Zend_Search

Inhaltsverzeichnis

19.1. Überblick
19.1.1. Einführung
19.1.2. Dokumenten- und Feldobjekte
19.1.3. Verstehen der Feldtypen
19.2. Indexerstellung
19.2.1. Einen neuen Index erstellen
19.2.2. Indexaktualisierung
19.2.3. Dokumente aktualisieren
19.2.4. Indexoptimierung
19.2.5. Einschränkungen
19.3. Einen Index durchsuchen
19.3.1. Abfrage erstellen
19.3.2. Sortierung der Suchergebnisse
19.3.3. Suchergebnisse
19.3.4. Ergebnisgewichtung
19.4. Query Language
19.4.1. Terms
19.4.2. Fields
19.4.3. Term Modifiers
19.4.4. Proximity Searches
19.4.5. Boosting a Term
19.4.6. Boolean Operators
19.4.7. Grouping
19.4.8. Field Grouping
19.4.9. Escaping Special Characters
19.5. Query Construction API
19.5.1. Query Parser Exceptions
19.5.2. Begriffsabfrage
19.5.3. Mehrfache Begriffsabfrage
19.5.4. Phrasenabfrage
19.6. Zeichensatz.
19.6.1. Unterstützung für UTF-8 und Zeichensätze mit einzelnen Bytes.
19.7. Erweiterbarkeit
19.7.1. Textanalyse
19.7.2. Filtern von Tokens
19.7.3. Algorithmen für Punktwertermittlung
19.7.4. Storage Container
19.8. Zusammenarbeit Mit Java Lucene
19.8.1. Dateiformate
19.8.2. Indexverzeichnis
19.8.3. Java Quellcode
19.8.4. Verwendung von LuceneIndexCreation.jar

19.1. Überblick

19.1.1. Einführung

Zend_Search_Lucene ist eine komplett in PHP 5 geschriebene Textsuchmaschine für viele Zwecke. Da es seinen Index im Dateisystem ablegt und keinen Datenbankserver erfordert, kann es eine Suchfunktion für nahezu jede auf PHP basierende Website bereitstellen. Zend_Search_Lucene unterstützt die folgenden Funktionalitäten:

  • Klassifizierte Suche - die besten Ergebnisse werden zuerst zurückgegeben

  • Viele mächtige Abfragearten: Phrasensuche, Platzhaltersuche, Näherungssuche, Bereichssuche und mehr [8]

  • Suche anhand eines bestimmten Feldes (z.B. Titel, Autor, Inhalt)

Zend_Search_Lucene wurde abgeleitet vom Apache Lucene Projekt. Für weitere Informationen über Lucene, besuche http://lucene.apache.org/java/docs/.

19.1.2. Dokumenten- und Feldobjekte

Für die Indizierung verarbeitet Zend_Search_Lucene Dokumente als atomare Einheiten. Ein Dokument wird in benannte Felder unterteilt und diese Felder enthalten Inhalte, die durchsucht werden können.

Ein Dokument wird durch ein Zend_Search_Lucene_Document Objekt abgebildet und dieses Objekt enthält Zend_Search_Lucene_Field Objekte, welche die Felder abbilden.

Es ist wichtig zu beachten, dass dem Index jegliche Informationen hinzugefügt werden können. Anwendungsspezifische Informationen oder Metadaten können in den Dokumentfeldern gespeichert und später bei der Suche aus dem Dokument zurückgeholt werden.

Es liegt in der Verantwortung deiner Anwendung, den Indexer zu kontrollieren. Das bedeutet, dass die Daten aus jeder Quelle indiziert werden können, die von deiner Anwendung aus ansprechbar ist. Zum Beispiel könnten dies das Dateisystem, eine Datenbank, ein HTML Formular, usw. sein.

Die Zend_Search_Lucene_Field Klasse stellt verschiedene statische Methoden zum Erstellen mit unterschiedlichen Charakteristika bereit:

<?php
$doc = new Zend_Search_Lucene_Document();

// Feld wird nicht in Token aufgeteilt, aber indiziert und im Index
// gespeichert. Die gespeichertern Felder können aus dem Index 
// abgerufen werden.
$doc->addField(Zend_Search_Lucene_Field::Keyword('doctype', 
                                                 'autogenerated'));

// Feld wird weder in Token aufgeteilt noch indiziert, aber im Index
// gespeichert. 
$doc->addField(Zend_Search_Lucene_Field::UnIndexed('created', 
                                                   time()));

// Feld mit einer binären Zeichenkette, die weder in Token aufgeteilt 
// noch indiziert, aber im Index gespeichert wird.
$doc->addField(Zend_Search_Lucene_Field::Binary('icon', 
                                                $iconData));

// Feld wird in Token aufgeteilt und indiziert und im Index gespeichert.
$doc->addField(Zend_Search_Lucene_Field::Text('annotation', 
                                              'Document annotation text'));

// Feld wird in Token aufgeteilt und indiziert, aber nicht im Index 
// gespeichert.
$doc->addField(Zend_Search_Lucene_Field::UnStored('contents', 
                                                  'My document content'));

?>

Du kannst die Felder benennen, wie du möchtest.

Java Lucene verwendet das "contents" Feld für die Suche als Standardfeld. Zend_Search_Lucene durchsucht standardmäßig alle Felder, aber dieses Verhalten kann auch verändert werden. Für Details siehe das "Standradsuchfeld" Kapitel.

19.1.3. Verstehen der Feldtypen

  • Keyword (Stichwort) Felder werden gespeichert und indiziert, was bedeutet, dass sie sowohl durchsucht als auch in Suchergebnissen angezeigt werden können. Sie werden nicht in einzelne Worte (Tokens) zerteilt. Datenbankfelder für Aufzählungen lassen sich normalerweise leicht in Keyword Felder für Zend_Search_Lucene überführen.

  • UnIndexed (unindizierte) Felder sind nicht durchsuchbar, werden aber bei Suchtreffern zurückgegeben. Datenbank Zeitstempel, Primärschlüssel, Pfade des Dateisystems und andere externe Identifikatoren sind gute Kandidaten für UnIndexed Felder.

  • Binary (binäre) Felder werden nicht in Token aufgeteilt und indiziert, aber für die Rückgabe bei Suchtreffern gespeichert. Sie können für die Speicherung aller Daten, die als binäre Zeichenkette kodiert sind, verwendet werden, wie z.B. eine Grafiksymbol.

  • Text Felder werden gespeichert, indiziert und in Token aufgeteilt. Text Felder sind geeignet für die Speicherung von Informationen wie Themen und Überschriften, die sowohl durchsuchbar sein müssen, als auch in Suchergebnissen zurückgegeben werden müssen.

  • UnStored (nicht gespeicherte) Felder werden in Token aufgeteilt und indiziert, aber nicht im Index gespeichert. Umfangreiche Texte werden am besten durch diesen Feldtyp indiziert. Gespeicherte Daten benötigen einen größeren Index auf der Festplatte, wenn du also Daten nur durchsuchbar aber nicht wieder ausgegeben haben musst, verwende ein UnStored Feld. UnStored Felder sind geeignet, wenn ein Zend_Search_Lucene Index in Kombination mit einer relationalen Datenbank verwendet wird. Du kannst große Datenfelder mit UnStored Feldern für die Suche indizieren und sie aus der relationalen Datenbank durch die Verwendung eines seperaten Feldes mithilfe eines Identifikatoren zurückholen.

    Tabelle 19.1. Zend_Search_Lucene_Field Typen

    Feldtyp Gespeichert Indiziert In Token aufgeteilt Binär
    Keyword Ja Ja Nein Nein
    UnIndexed Ja Nein Nein Nein
    Binary Ja Nein Nein Ja
    Text Ja Ja Ja Nein
    UnStored Nein Ja Ja Nein


[8] Derzeit werden Abfragen für einzelne und mehrere Begriffe, für Phrasen, für boolesche Ausdrücke und Unterabfragen unterstützt.