Документы доступны по адресу: https://cloud.mail.ru/public/6ab6/N6h8vogNP/dataset

Для чтения документов используем docreader.py Используем поля .url и .text

Разбор документов на слова лучше организовать с помощью regexp-а r'\w+', см. doc2words.py
Необходимая нормализация: приводим все слова к нижнему регистру.
Лемматизацию и пр. - в этом ДЗ не используем.

• Создать индекс
• Реализовать булев поиск

• имплементировать кодирование varbyte
• создать словарь термов (в любом виде)
• разобрать текстовый запрос простого формата (см. далее)
• вывести подходящие под булев запрос URL-ы

Дополнительно к предыдущему:

• имплементировать метод Simple9
• реализовать текстовый запрос полного формата (см. далее)

Дополнительно к предыдущему:

• потоковая обработка дерева запроса
• обязательно: индекс в бинарном виде
• обязательно: словарь в бинарном виде (см. 2ю лекцию)

Помимо исходников на Python Ваш пакет должен содержать 3 .sh-файла:

• index.sh (varbyte|simple9) path/to/*.gz : создение индекса
• make_dict.sh: создание словаря и оптимизация индекса
• search.sh: непосредственно поиск
• [опционально] preinstall.sh: скрипт, в котором вы можете установить необходимые пакеты

Вывод (stdout) подразумевается только от утилиты поиска.

На stdin search.sh будет дана последовательность запросов в виде

запрос #1
запрос #2
...

Форматы запросов:

присутствуют только термы и конъюнкция ("&")

Пример: власти & бельгии

Формат каждого запроса - булево выражение содержашее слова и операторы: "(", ")", "&", "|", "!"

Пример: власти & (бельгии | парижа) & !теракт

Гарантируется что запрос валидный

ИСХОДНЫЙ ЗАПРОС
КОЛ-ВО результатов
URL1
URL2
...

Пример:
Путин & Медведев
2
https://lenta.ru/news/2015/08/30/putin/
https://lenta.ru/photo/2015/08/30/medput/

Внимание: выводимые url-ы должны быть в порядке возрастания docid!

Код запакованный в .tgz отправляйте на [email protected]

В теме письма обязательно указывайте вариант (баллы). Формат: [Ir-ts] idx, Иван Иванов (var: 35)

Для проверки будет использоваться набор документов lenta.ru в 10 и 50 раз больше данного. Ограничение по RAM: 2Gb

Из-за необходимости проверки реализации, оценка не будет автоматической. После получения оценки от робота, пришлите письмо еще раз со словом FINALTRY в теме.

Срок сдачи: 30 марта

Q: Почему Python? Если жесткие ограничения, то не лучше ли на C++ ?
A: Python выбран намеренно, чтобы вы не урывались в системные оптимизации и не разбирались с memleak/segfault и т.п., а больше времени потратили бы именно на проработку логики. Ограничения по времени и памяти соответствуют именно Python-варианту.

Q: Нужно ли реализовывать SkipList ?
A: Нет, этого нет в задании и необходимости для данного кол-ва документов тоже нет. Однако, в свободное время я настоятельно советую это реализовать т.к. грамотная реализация улучшит ваши навыки декомпозиции кода и, в целом, программирования.

Q: Что если я сдал на вариант на 15 баллов, а после deadline сделаю вариант на 25?
A: К сожалению, вы получите лишь ceil(25 / 2) = 13 баллов. Так что планируйте свое время заранее и не доводите до deadline.

Q: Для чего нужен preinstall.sh?
A: Этот скрипт небходим, если вам нужны дополнительные Python-модули. Но, как правило, достаточно уже предустановленных protobuf, numpy, mmh3