textdatenbanken jana bulik 98i 15. november 2001
TRANSCRIPT
TextdatenbankenTextdatenbanken
Jana Bulik 98I
15. November 2001
Textdatenbanken - ÜberblickTextdatenbanken - Überblick
1. Laden von Texten / Dokumenten2. Indexieren und Indexwartung3. Anfragen und Anfrageoperatoren 4. Highlighting und Präsentation von
Ergebnisdokumenten 5. Vergleich Oracle InterMedia Text
mit SQL/MM Full Text
1. Laden von Texten/Dokumenten1. Laden von Texten/Dokumenten
1. Laden von Texten/Dokumenten1. Laden von Texten/Dokumenten
1. Datastored Objekte2. SQL – Insertanweisung3. ctxload
1. Laden von Texten/Dokumenten1. Laden von Texten/Dokumenten
1.1 Datastored Objekte- DIRECT_DATASTORE- DETAIL_DATASTORE- FILE_DATASTORE- URL_DATASTORE- USER_DATASTORE
1. Laden von Texten/Dokumenten1. Laden von Texten/Dokumenten
DIRECT_DATASTORE- besitzt keine Attribute- Speicherung der Daten intern in
Textspalten- einzelne Zeile wird als einzelnes
Dokument angezeigt
1. Laden von Texten/Dokumenten1. Laden von Texten/Dokumenten
DETAIL_DATASTORE- Datenspeicherung wie bei DIRECT_DATASTORE- Dokument besteht aus mind. einer Zeile- Attribute:
• binary• detail_table• detail_key• detail_lineno• detail_text
1. Laden von Texten/Dokumenten1. Laden von Texten/Dokumenten
FILE_DATASTORE- Datenspeicherung extern in den
Daten des Betriebssystems- Path – Attribut gibt an, wo
externes Textfile gespeichert ist
1. Laden von Texten/Dokumenten1. Laden von Texten/Dokumenten
URL_DATASTORE- Datenspeicherung extern im Internet
bzw. Intranet- Attribute:
• Timeout• Maxthreads• Urlsize• Maxurls• Maxdocsize• http_proxy und ftp_proxy• No_proxy
1. Laden von Texten/Dokumenten1. Laden von Texten/Dokumenten
USER_DATASTORE- Wird benutzt, um zusätzliche
Informationen dem Text hinzuzufügen
- Attribut:• Procedure
1. Laden von Texten/Dokumenten1. Laden von Texten/Dokumenten
1.2 SQL – Insertanweisung- einfachste Möglichkeit: Anlegen und Füllen
einer Tabelle mit zwei SpaltenAnlegen der Tabelle:
CREATE TABLE tabellenname (id number primary key, text varchar2 (80));
Füllen der Tabelle:INSERT INTO tabellenname values (1, ‘Text Dokument 1’);INSERT INTO tabellenname values (2, ‘Text Dokument 2’);
1. Laden von Texten/Dokumenten1. Laden von Texten/Dokumenten
1.1 ctxload
- Laden von Texten- Thesaurus Import und Export- Dokument Update/Export
1. Laden von Texten/Dokumenten1. Laden von Texten/Dokumenten
Laden von Texten
- wird zum Laden von Texten aus einer Datei benutzt
- Text wird in eine LONG oder LONG RAW Spalte einer Tabelle gespeichert
- Bei Import unstrukturierter Daten muss entsprechendes Headerfile vorhanden sein
1. Laden von Texten/Dokumenten1. Laden von Texten/Dokumenten
Thesaurus Import und Export
- wird zum Laden von Thesaurusdaten aus einem ASCII File in die interMedia Text Thesaurus Tabelle benutzt
- Ctxload kann zum Importieren und Exportieren von Files benutzt werden
1. Laden von Texten/Dokumenten1. Laden von Texten/Dokumenten
Dokument Update/Export
- ctxload utility unterstützt:• Das Exportieren von Datenbankspalten
in Dateien• Das Aktualisieren von Datenbankspalten
aus Dateien
2. Indexieren und Indexwartung2. Indexieren und Indexwartung
2. Indexieren und Indexwartung2. Indexieren und Indexwartung
1. Filterobjekte2. Lexer Objekte3. Wortlistenobjekte (Wordlist
Objects)4. Speicherobjekte (Storage
Objects)
2. Indexieren und Indexwartung2. Indexieren und Indexwartung
2.1 Filterobjekte- sollen festlegen, wie Texte für
Indizierung gefiltert werden- Oracle speichert formatierte
Dokumente in Originalform- Benutzt Filter, um Text oder HTML –
Code zu erzeugen- Diese temporären Texte werden dann
von Oracle indiziert
2. Indexieren und Indexwartung2. Indexieren und Indexwartung
Verschiedene Filterobjekte:
- NULL_FILTER- INSO_FILTER- USER_FILTER- CHARSET_FILTER
2. Indexieren und Indexwartung2. Indexieren und Indexwartung
2.2 Lexer Objekte- Werden verwendet, um die
Sprache eines Textes festzustellen- Objekte:
• BASIC_LEXER• CHINESE_VGRAM_LEXER• JAPANESE_VGRAM_LEXER• KOREAN_LEXER
2. Indexieren und Indexwartung2. Indexieren und Indexwartung
BASIC_LEXER:
- Wird für Englisch und westeuropäische Sprachen verwendet
- Wird benutzt, um aus Texten einzelne Zeichen zu extrahieren
2. Indexieren und Indexwartung2. Indexieren und Indexwartung
BASIC_LEXER: (Attribute)• continuation• numgroup• numjoin• skipjoin• mixed_case• alternate_case
2. Indexieren und Indexwartung2. Indexieren und Indexwartung
2.3 Wortlistenobjekte (Wordlist Objects)- Werden verwendet, um erweiterte
Anfrageoperationen zu ermöglichen- Verwendetes Objekt: BASIC_WORDLIST- Die benutzte Sprache muss dabei mit
angeben werden- Sprachen: NULL, ENGLISH, DUTCH,
FRENCH, GERMAN, ITALIAN und SPANISH- Bei Angabe von NULL wird der Operator
"$" ignoriert
2. Indexieren und Indexwartung2. Indexieren und Indexwartung
Beispiele:- fuzzy_match: gibt an welche
Routinen eingesetzt werden- fuzzy_score: gibt das untere
Ergebnislimit an- fuzzy_numresults: gibt die max. zu
erwartete Anzahl der Anfrageergebnisse an
2. Indexieren und Indexwartung2. Indexieren und Indexwartung
2.4 Speicherobjekte (Storage Objects)
- gibt Einstellungsparameter und Tabellengröße einer Tabelle an
- Diese Tabellen sind mit einem Textindex verbunden
- Objekt: BASIC_STORAGE
2. Indexieren und Indexwartung2. Indexieren und Indexwartung
Beispiele:- i_table_clause: Indextabelle, bei
Tabellenerstellung- k_table_clause: Schlüsselworttabelle, bei
Tabellenerstellung- r_table_clause: rowid – Table, bei
Tabellenerstellung- n_table_clause: "negative list" – Tabelle,
bei Tabellenerstellung
3. Anfragen und Anfrageoperatoren3. Anfragen und Anfrageoperatoren
3. Anfragen und Anfrageoperatoren3. Anfragen und Anfrageoperatoren
1. Wort - Anfragen2. About – Anfragen 3. Gemischte Anfragen 4. Operator Prioritäten 5. Spezielle Zeichen in Anfragen
3. Anfragen und Anfrageoperatoren3. Anfragen und Anfrageoperatoren
3.1 Wort – Anfragen- wird benutzt, wenn man nach einem
bestimmten Wort oder Wortgruppe sucht- Es werden die log. Operatoren AND und
OR, sowie strukturierte Prädikate benutzt- Es ist möglich mit count(*),
CTX_QUERY.COUNT oder CTX_QUERY.EXPLAIN die Trefferanzahl zu ermitteln
3. Anfragen und Anfrageoperatoren3. Anfragen und Anfrageoperatoren
Beispiel: CTX_QUERY.COUNT_HITS- gibt Anzahl der Treffer zurück- 2 verschiedene Modi:
• Exact Mode• Estimate mode
3. Anfragen und Anfrageoperatoren3. Anfragen und Anfrageoperatoren
Beispiel: CTX_QUERY.COUNT_HITS
COUNT_HITS(index_name IN VARCHAR2,text_query IN VARCHAR2,exact IN BOOLEAN DEFAULT TRUE) RETURN NUMBER;
3. Anfragen und Anfrageoperatoren3. Anfragen und Anfrageoperatoren
3.2 About – Anfragen- zählen die Dokumente, die die
Kriterien der gestellten Anfrage erfüllen
- Themenkomponente des Indexes kann benutzt werden (nur in englischer Sprache möglich)
3. Anfragen und Anfrageoperatoren3. Anfragen und Anfrageoperatoren
Beispiel: ABOUT (Text)
- Text kann einzelnes Wort, Wortgruppe, Satz oder Aneinanderreihung beliebiger Wörter sein
3. Anfragen und Anfrageoperatoren3. Anfragen und Anfrageoperatoren
Beispiel: • Einzelnes Wort: 'about (dog)' • Wortgruppe: 'about (cats and dogs)'• beliebige Wörter: 'about (cat dog house)'
- es werden alle Dokumente zurückgegeben, die diese Wörter enthalten
- ein Dokument wird höher bewertet, wenn es alle Wörter enthält
3. Anfragen und Anfrageoperatoren3. Anfragen und Anfrageoperatoren
3.3 Gemischte Anfragen- Vermischung beider Anfrageformen
(Wort – Anfrage, About – Anfrage) - Benutzung der Operatoren AND und OR- Beispiel:
ABOUT und WORT Anfrage’ about (Hunde) und Katze’
ABOUT Anfrage mit anderer ABOUT Anfrage
’ about (Hunde) not about (Dackel)
3. Anfragen und Anfrageoperatoren3. Anfragen und Anfrageoperatoren
3.4 Operator Prioritäten- Komponenten einer Abfrage werden in
bestimmter Reihenfolge abgearbeitet- Reihenfolge wird von Priorität des
Operators bestimmt- Textanfrageoperatoren werden in
zwei verschiedene Gruppen eingeteilt
3. Anfragen und Anfrageoperatoren3. Anfragen und Anfrageoperatoren
• EQUIVALENCE (=) • NEAR (;) • WEIGHT (*), threshold
(>) • MINUS (-) • NOT (~) • WITHIN • AND (&) • OR (|) • ACCUMULATE (,)
• Wildcard Characters
• ABOUT • STEM ($) • FUZZY (?) • SOUNDEX (!)
Gruppe 1: (Operatoren) Gruppe 2: (Operat. u. Zeichen)
3. Anfragen und Anfrageoperatoren3. Anfragen und Anfrageoperatoren
- Aufzählreihenfolge entspricht der Priorität
- Höchste Priorität wird zuerst abgearbeitet
- Abarbeitung von links nach rechts
3. Anfragen und Anfrageoperatoren3. Anfragen und Anfrageoperatoren
Anfrage Reihenfolge der Bearbeitung
w1 & w2| w3 (w1 & w2) | w3
w1 | w2 & w3 (w1) | (w2 & w3)
?w1, w2 | w3 & w4 (?w1), (w2 | (w3 & w4))
a = b & c = d (a=b) & (c=d)
dog and cat WITHIN body
dog and (cat WITHIN body)
3. Anfragen und Anfrageoperatoren3. Anfragen und Anfrageoperatoren
3.4 Spezielle Zeichen in Anfragen
• Wildcard Zeichen • Gruppierende Zeichen • Escape Zeichen
3. Anfragen und Anfrageoperatoren3. Anfragen und Anfrageoperatoren
- Wildcard Zeichen% an dieser Stelle kann ein beliebiges anderes Zeichen stehen (auch mehrmals)
Bsp.: 'haus%' – Findet alle Wörter, die mit Haus beginnen _ an dieser Stelle kann irgendein einzelnes Zeichen stehenBsp.: '_ing' - Findet alle Wörter, die auf ing enden, aber
nur mit 4 Buchstaben geschrieben werden.
3. Anfragen und Anfrageoperatoren3. Anfragen und Anfrageoperatoren
- Gruppierende Zeichen() runde Klammern dienen zum Gruppieren von Operatoren und Termen
[] dienen auch zum Gruppieren, wie die runden Klammern, aber verhindern das Eindringen von Expansionsoperatoren (z.B. FUZZY oder STEM)
3. Anfragen und Anfrageoperatoren3. Anfragen und Anfrageoperatoren
- Escape Zeichen{} Kennzeichnung eines Strings aus Zeichen und Symbolen als Escape – Sequenz Bsp.: 'AT\&T' oder '{AT&T}'
\ Kennzeichnung eines einzelnen Zeichens als Escape – Sequenz Bsp.: 'high\-voltage' oder '{high-voltage}'
4. Highlighting und Präsentation 4. Highlighting und Präsentation von Ergebnisdokumentenvon Ergebnisdokumenten
4. Highlighting und Präsentation von Ergebnisdokumenten4. Highlighting und Präsentation von Ergebnisdokumenten
- Für Benutzer interessant, in welchen Dokumenten sich die Treffer befinden
- Günstig: Einsicht in die gefundenen Dokumente
Nach gestellter Anfrage werden dem Benutzer alle Dokumente angezeigt, die die Anfrage erfüllen. Benutzer wählt dann das anzuzeigende Dokument aus.
4. Highlighting und Präsentation von Ergebnisdokumenten4. Highlighting und Präsentation von Ergebnisdokumenten
- Mit Hilfe von interMedia Text können gefundene Texte unterschiedlich dargestellt werden
- Z.B.: Unterstreichung der Suchwörter
4. Highlighting und Präsentation von Ergebnisdokumenten4. Highlighting und Präsentation von Ergebnisdokumenten
- Beispiel: CTX_DOC.FILTER
Syntax: CTX_DOC.FILTER(
index_name IN VARCHAR2,textkey IN VARCHAR2,restab IN VARCHAR2,query_id IN VARCHAR2 DEFAULT 0,plaintext IN BOOLEAN DEFAULT FALSE);
4. Highlighting und Präsentation von Ergebnisdokumenten4. Highlighting und Präsentation von Ergebnisdokumenten
- Beispiel: CTX_DOC.MARKUP
Syntax: CTX_DOC.MARKUP(index_name IN VARCHAR2, textkey IN VARCHAR2, text_query IN VARCHAR2, restab IN VARCHAR2,query_id IN VARCHAR2 DEFAULT 0, plaintext IN BOOLEAN DEFAULT FALSE, tagset IN VARCHAR2 DEFAULT 'TEXT_DEFAULT', starttag IN VARCHAR2 DEFAULT NULL,endtag IN VARCHAR2 DEFAULT NULL, prevtag IN VARCHAR2 DEFAULT NULL, nexttag IN VARCHAR2 DEFAULT NULL);
5. Vergleich Oracle interMedia Text 5. Vergleich Oracle interMedia Text mit SQL/MM Full Textmit SQL/MM Full Text
5. Vergleich Oracle interMedia Text mit SQL/MM Full Text5. Vergleich Oracle interMedia Text mit SQL/MM Full Text
- "normale" Suchanfragen mit 'like' nicht mehr leistungsfähig genug
Oracle interMedia Text unterstützt neue Suchmechanismen
- Diese neuen Suchmechanismen sind im Standard von Orcale interMedia Text vorgesehen
5. Vergleich Oracle interMedia Text mit SQL/MM Full Text5. Vergleich Oracle interMedia Text mit SQL/MM Full Text
- Neue strukturelle Einheiten- Neue Operationen- neue Anfrage- und
Bearbeitungsmöglichkeiten
5. Vergleich Oracle interMedia Text mit SQL/MM Full Text5. Vergleich Oracle interMedia Text mit SQL/MM Full Text
- Neue strukturelle Einheiten:
• Wörter• Sätze• Abschnitte
5. Vergleich Oracle interMedia Text mit SQL/MM Full Text5. Vergleich Oracle interMedia Text mit SQL/MM Full Text
- Neue Operationen:
• "Boolean Search" • "Ranking" • "Conceptual Search"
5. Vergleich Oracle interMedia Text mit SQL/MM Full Text5. Vergleich Oracle interMedia Text mit SQL/MM Full Text
- Neue Anfrage- und Bearbeitungsmöglichkeiten :
• Einzelwortsuche • Suche von Phrasen • inhaltsbasierte Suche • Stopwort Verarbeitung • Filtermöglichkeiten • erweiterte Suche
5. Vergleich Oracle interMedia Text mit SQL/MM Full Text5. Vergleich Oracle interMedia Text mit SQL/MM Full Text
- Beispiel: "Conceptual Search" o Standard
SELECT *FROM myDocsWHERE 1 = CONTAINS (Textbody, 'IS
ABOUT "every text …"'); o o Oracle
SELECT SCORE(1) titleFROM newsWHERE CONTAINS (text,
'about(politics)', 1) > 0;
5. Vergleich Oracle interMedia Text mit SQL/MM Full Text5. Vergleich Oracle interMedia Text mit SQL/MM Full Text
- Beispiel: Suche von Phrasen o Standard
SELECT *FROM myDocsWHERE 1 = CONTAINS (TextBody,
'"specific language"'); o Oracle
SELECT employee_name, SCORE(1) FROM employee_databaseWHERE CONTAINS (emp.resume,
'software developer') > 0;