Cherlock Holmes

Z Varhoo
(Rozdíly mezi verzemi)
Přejít na: navigace, hledání
m (Stránka Holmes přemístěna na stránku Cherlock Holmes)
(Rady)
 
(Není zobrazeno 18 mezilehlých verzí od 1 uživatele.)
Řádka 1: Řádka 1:
 
Jedná se o fulltextový engine, který umožňuje poměrně efektivní indexaci a vyhledávání. Byl využit u projektu morfeo (vyhledávač pro centrum)-
 
Jedná se o fulltextový engine, který umožňuje poměrně efektivní indexaci a vyhledávání. Byl využit u projektu morfeo (vyhledávač pro centrum)-
   
Mirror oficiálního zdroje je na http://www.varhoo.cz/holmes/
+
* Oficiální zdroj http://www.ucw.cz/holmes/download/ a domácí stránka http://www.ucw.cz/holmes/
  +
* Mirror oficiálního zdroje je na http://www.varhoo.cz/holmes/
   
 
== Instalace ==
 
== Instalace ==
Řádka 15: Řádka 15:
   
 
make install INSTALL_DIR=<dir>
 
make install INSTALL_DIR=<dir>
  +
  +
Ještě je vhodně vytvořit nového uživatele
  +
  +
useradd holmes
  +
chown holmes:holmes <dir>
  +
  +
== Základní struktura ==
  +
  +
bin/ programs and utilities
  +
cache/ various cache files
  +
cf/ configuration files
  +
db/ database files of the gatherer
  +
index/ main index
  +
lib/ libraries used by the programs
  +
lock/ lock files, pid files and similar stuff
  +
log/ log files
  +
tmp/ temporary files
   
 
== Nastavení ==
 
== Nastavení ==
  +
'''První spuštění:'''
  +
  +
Nejprve nastavíme pravidla pro filtrování řetězců v souboru cf/filter:
  +
  +
switch host {
  +
case =** "*.varhooo.cz":
  +
accept;
  +
}
  +
  +
a v souboru cf/local je potřeba nastavit, bez toho není možné program použít
  +
  +
HTTP.From <email>
  +
  +
  +
Pak provedem následující příkazy
  +
  +
Inicializace vnitřní databáze
  +
  +
bin/shep-init
  +
  +
Přidání inicializační adresy, musí splňovat vyraz zadaný pro filter a odkazovat se na další stránky:
  +
  +
bin/shep --current --insert --urls http://www.varhoo.cz
  +
  +
Spuštění parseru (bot), který prochází stránky
  +
  +
su holmes -c "bin/gcontrol start"
  +
  +
Co dělá můžeme sledovat příkazem:
  +
tail -f log/shepherd-*
  +
  +
Přidání nové url pro bota.
  +
  +
./bin/gcontrol stop
  +
./bin/shep --current --insert --urls http://<nová url>
  +
./bin/gcontrol start
  +
nebo
  +
./bin/shep --borrow-state
  +
./bin/shep --current --insert --urls http://<nová url>
  +
./bin/shep --return-state
  +
Zkontrolujeme, jestli máme načteny nějaké první stránky:
  +
  +
./bin/shep -L
  +
  +
Spustíme indexaci
  +
  +
bin/indexer -u
  +
  +
a pak sheduler
  +
  +
bin/sched-control start
  +
  +
== Rady ==
  +
Asi nejtěžší částí je upravit ohodnocení stránek, konfigurace je v souboru cf/sherlockd.
  +
  +
WordWeights { text=20; emph=50; small=10; hdr1=150; hdr2=50; alt=10; }
  +
MetaWeights { title=100 50; urlword=50 80 150 200; file=10 20 20; ext=80; }
  +
StringWeights { ref=10; URL=100; host=10; domain=10; ip=10; }
  +
  +
Další celkem příjemnou věcí pro vyhledávání je zobrazení metadat, což teda hlavně oceníte ve vyhledávání, kde odkaz bude odpovídat title stránku. Pro toto nastavení je nutné odkomentovat v cf/scherlockd
  +
  +
MetaChars { title=60; keywd=240; }
  +
  +
== Použití ==
  +
  +
V případě že byste chtěli vypsat nalezené stránky, je možné použít příkaz
  +
  +
bin/shep-urls -d
  +
  +
Pokud se vám nějaká stránka nedaří načíst, je možné manuálně vyzkoušet a zjistit kde je problém
  +
  +
bin/batch < url.txt
  +
  +
== Vyhledávání ==
  +
  +
bin/query SHOW 1..4 LANG="cz" SITEMAX 1 SITE "<url>" SORTBY CARDID title "word1" AND "word2"

Aktuální verze z 6. 1. 2012, 02:44

Jedná se o fulltextový engine, který umožňuje poměrně efektivní indexaci a vyhledávání. Byl využit u projektu morfeo (vyhledávač pro centrum)-

Obsah

[editovat] Instalace

Potřebné balíčky, Perl, Flex, Bison, Zlib, pkg-config, libjpg, libpng, libgif

Můžeme použít balíček nebo zkompilovat aktuální verzi.

./configure free
make

A pak lze použít příkaz pro instalovaní dané instance:

 make install INSTALL_DIR=<dir>

Ještě je vhodně vytvořit nového uživatele

useradd holmes
chown holmes:holmes <dir>

[editovat] Základní struktura

 bin/		programs and utilities
 cache/	various cache files
 cf/		configuration files
 db/		database files of the gatherer
 index/	main index
 lib/		libraries used by the programs
 lock/		lock files, pid files and similar stuff
 log/		log files
 tmp/		temporary files

[editovat] Nastavení

První spuštění:

Nejprve nastavíme pravidla pro filtrování řetězců v souboru cf/filter:

switch host {
       case =** "*.varhooo.cz":
               accept;
}

a v souboru cf/local je potřeba nastavit, bez toho není možné program použít

HTTP.From                       <email>


Pak provedem následující příkazy

Inicializace vnitřní databáze

bin/shep-init

Přidání inicializační adresy, musí splňovat vyraz zadaný pro filter a odkazovat se na další stránky:

bin/shep --current --insert --urls http://www.varhoo.cz

Spuštění parseru (bot), který prochází stránky

su holmes -c "bin/gcontrol start"

Co dělá můžeme sledovat příkazem:

tail -f log/shepherd-*

Přidání nové url pro bota.

 ./bin/gcontrol stop
 ./bin/shep --current --insert --urls http://<nová url>
 ./bin/gcontrol start

nebo

 ./bin/shep --borrow-state
 ./bin/shep --current --insert --urls http://<nová url>
 ./bin/shep --return-state

Zkontrolujeme, jestli máme načteny nějaké první stránky:

 ./bin/shep -L

Spustíme indexaci

 bin/indexer -u

a pak sheduler

bin/sched-control start

[editovat] Rady

Asi nejtěžší částí je upravit ohodnocení stránek, konfigurace je v souboru cf/sherlockd.

WordWeights     { text=20; emph=50; small=10; hdr1=150; hdr2=50; alt=10; }
MetaWeights     { title=100 50; urlword=50 80 150 200; file=10 20 20; ext=80; }
StringWeights   { ref=10; URL=100; host=10; domain=10; ip=10; }

Další celkem příjemnou věcí pro vyhledávání je zobrazení metadat, což teda hlavně oceníte ve vyhledávání, kde odkaz bude odpovídat title stránku. Pro toto nastavení je nutné odkomentovat v cf/scherlockd

MetaChars               { title=60; keywd=240; }

[editovat] Použití

V případě že byste chtěli vypsat nalezené stránky, je možné použít příkaz

bin/shep-urls -d

Pokud se vám nějaká stránka nedaří načíst, je možné manuálně vyzkoušet a zjistit kde je problém

bin/batch < url.txt

[editovat] Vyhledávání

bin/query SHOW 1..4 LANG="cz" SITEMAX 1 SITE "<url>" SORTBY CARDID title "word1" AND "word2"
Osobní nástroje