Information retrieval project
Computer Science Center, 2014
Elizaveta Shashkova
На вход подаётся директория с документами. На выходе ожидаем получить индекс в любом формате (индекс будет использоваться второй программой).
Cтрока запуска:
./indexer.py ./docs index.inv
На вход подаётся индекс, сгенерированный на предыдущем шаге. После этого ожидаем, что программа может отвечать на запросы.
Детали:
- запросы — строки, состоящие из терминов и операторов AND и OR для упрощения считаем, что в запросе может быть только один вид оператора считаем, что в запросах все термины в нижнем регистре и в нормальной форме
- поиск должен осуществляться по всем формам слова (только для кириллических слов) индекс считывается из файла один раз и в дальнейшем хранится в памяти
Пример и формат ответов:
$ ./searcher.py index.inv
да OR нет
found ./docs/doc1_st.txt ./docs/doc2_st.txt and 1 more
пралыоравафы
no documents found
день
found ./docs/doc2_st.txt ./docs/doc3_st.txt
день AND ночь
found ./docs/doc2_st.txt
(зенит AND бенфика) OR (монако AND байер)
incorrect query
большой человекоподобный робот
incorrect query
Предполагается, что коллекция предобработана (например, с помощью технологии MyStem). MyStem запускается без дополнитеьных ключей, все значения по умолчанию. Исходный код можно открыть как проект PyCharm с сохраненными конфигурациями запуска.
вы /-4 не /3 мы
found ./docs/doc3_st.txt
ночь /+100 день
found ./docs/doc2_st.txt
где оператор расстояния /N имеет такую семантику:
A /N B — B на расстоянии не более N слов от A с любой стороны A /+N B — B после A на расстоянии на более N слов (аналогично A /-N B) Например, A /+1 B означает “А и B подряд”