Question

我们有一组存储为XML文件的书籍。每个大小约为20 Mb。它们都具有相同的规则结构，大致如此：

<book>
<volume id="vI"><title>PRIMARY CARE MEDICINE</title>
    <part id="vIpA"><title>General Issues and Approach to Disease in Primary Care Medicine</title>
        <section id="vIpAs1"><title>Core Issues and Special Groups in Primary Care</title>
            <chapter id="vIpAs1ca"><title>Core Issues in Primary Care</title>
                <subchapter id="vIpAs1casc1"><title>Introduction</title>
                    <para>Praesent et venenatis ipsum.</para>
                    …
                </subchapter>
            </chapter>
            <chapter id="vIpAs1cb"><title>Other Issues</title>
                <para>Etiam maximus orci orci, eu aliquam nunc pretium id.</para>
                …
            </chapter>
        </section>
    …
    </part>
…
</volume>
</book>

我们想让他们全文可以与Lucene一起搜索。搜索结果将显示单词出现的标题。

索引此类内容的适当工具是什么？我遇到了Solr，Tika或Digester等几个名字，但他们做的事情对我来说并不清楚。
如果我们现在想要将搜索限制为某些元素类型（例如标题）怎么办？是否适用相同的工具？

Answer 1

要从XML文件中提取内容，您有几个选择。例如，Java编程语言运行了许多用于XML处理的库。这些库当然可以从Clojure，Scala或任何基于JVM的语言中使用第二个选项就是你提到的Apache Tika Apache Solr的核心（顺便说一下ElasticSearch）是Apache Lucene。如果您使用的是Apache Lucene，那么Java API是您唯一的选择。但是，如果您想使用PHP，Python或Erlang，那该怎么办？简单来说，Apache Solr（和ElasticSearch）提供的是Lucene API的HTTP接口（当然还有更多东西）。

如果我们现在想要将搜索限制为某些元素类型（例如标题）怎么办？是否适用相同的工具？

如果我们谈论的是Lucene，Solr或ElasticSearch，那么你当然可以。

Answer 2

我认为将这些内容放在诸如MarkLogic或eXist-DB之类的XML数据库中是值得的。然后，您可以在整个集合中使用自由文本搜索和结构化XQuery搜索。 XML数据库附带了一些工具，允许您控制为内容的哪些部分构建哪种索引。

如何索引XML书籍？

2 个答案: