Re: [sdx-users] Indexation (et recherche) par champs

[Pierrick Brihaye]

Bonjour,

address@hidden a écrit:

> J'essaie de comprendre le fonctionnement de l'application exemple SDXWorld
> et j'aurais bien aimé voir comment on pouvait faire une recherche pour une
> balise XML donnée (balise <titre> des fiches XML fournies par exemple) dans
> une base de documents XML.

Avant toute chose, il faut bien comprendre que, dans une base Lucene 
(seul type offert jusqu'à maintenant) on ne stocke pas le contenu du 
document XML d'origine, mais le contenu d'un *autre* document XML, celui 
qui résulte de la *transformation d'indexation* (v. par exemple 
sdxworld/conf/index-projet.xsl).

Ce document *doit* respecter le formalisme suivant :

<sdx:document id="xxx">
 <sdx:field code="aaa">contenu</sdx:field>
 <sdx:field code="bbb">contenu</sdx:field>
 <sdx:field code="ccc">contenu</sdx:field>
 ...
</sdx:document id="xxx">

En somme, on fait du SGBD :-) C'est néanmoins un peu plus compliqué dans 
la mesure où :

1) les champs peuvent être multivalués, c'est à dire que l'on peut 
définir plusieurs fois le même champ
2) les champs "word" sont tokénizés, c.a.d. que si l'on envoie :
<sdx:field name="champ_tokenizé">un mot et puis un autre</sdx:field>

Lucene va s'arranger pour stocker un truc de ce genre :
<sdx:field code="champ_tokenizé">un</sdx:field>
<sdx:field code="champ_tokenizé">mot</sdx:field>
<sdx:field code="champ_tokenizé">et</sdx:field>
<sdx:field code="champ_tokenizé">puis</sdx:field>
<sdx:field code="champ_tokenizé">un</sdx:field>
<sdx:field code="champ_tokenizé">autre</sdx:field>

En fait, c'est encore un peu plus compliqué car :
- dans l'exemple donné beaucoup de mots sont "vides" et ne seront donc 
pas indexés
- on a en plus un système qui permet de supprimer majuscules, accents...

L'objectif est donc d'obtenir un document d'indexation valide...

> Apparemment, dans SDXWorld, la recherche se fait uniquement sur le champ
> "sdxall"

Non, sdxworld contient plusieurs champs système (dont "sdxall") et trois 
champs "utilisateur" :
contenu, titre, url

Je vous propose de transformer, dans un processeur XSLT, un (ou 
plusieurs ;-) des documents de sdxworld dans la feuille d'indexation 
pour voir comment ça se passe.

Note : sdxall est un "hack" qui permet ntoamment d'effectuer des 
requêtes binaires (à deux arguments) là où car Lucene n'accepte pas, à 
cause de sa conception, les requêtes unaires. Si l'on veut les documents 
ou ne figurent *pas* telle valeur, on peut ainsi faire une recherche 
"simple" : sdxall:1 -champ:valeur. Accessoirement, ça permet de compter 
le nombre de documents dans une base : il suffit de compter le nombre de 
résultats sur la requête "sdxall:1".

Pour la recharche, on peut effectivement utiliser une FieldQuery en 
transmettant le champ et la valeur qu'on y recherche.

A bientôt,

--
Pierrick Brihaye, informaticien
Service régional de l'Inventaire
DRAC Bretagne
mailto:address@hidden