Question

我目前正在开展个人项目，我正在使用tesseract阅读扫描文档并将内容存储为文本文件。我将文本文件和jpeg文件保存在我的web目录中，并使用mySQL数据库维护它们之间的链接。该项目的目的是能够搜索关键术语并能够返回图像。

到目前为止，我已经能够使用Zend Lucene对文本文件进行索引，但是在处理搜索文档时遇到了很多问题，我的索引中的字段是：上传图像的日期，正文（文本文件的内容）以及图像的URI。

//Create document
$doc = new Zend_Search_Lucene_Document();

//Select database and get item to be indexed
mysql_select_db("database", $con);

$exampleSQL = "SELECT date_format(dateUploaded, '%Y%m%d') as formatted_date, imageLink, textLink
FROM `mappingTable`
WHERE imageLink='$item'";

$fileItem = mysql_fetch_assoc(mysql_query($exampleSQL));

//Add fields to document
$doc->addField(Zend_Search_Lucene_Field::UnIndexed('URL',
$fileItem['imageLink']));

$doc->addField(Zend_Search_Lucene_Field::Keyword('created',
$fileItem['formatted_date']));

$contents = file_get_contents("/path/to/data/".$fileItem['textLink']);

$doc->addField(Zend_Search_Lucene_Field::UnStored('body',
$contents));

以上所有我相信工作得很好。对于我的搜索，我打算按文本文件中的内容进行搜索，并按日期将图像上传到目录，因此我设计了以下查询，这些查询因某些原因而无法按要求生成，特别是按日期搜索或按内容和日期。

if($queryType === "contentSearch"){

    $term  = new Zend_Search_Lucene_Index_Term($query, 'body');

    $searchQuery = new Zend_Search_Lucene_Search_Query_Term($term);

    try{
        $hits = $index->find($searchQuery);
    }
        catch (Zend_Search_Lucene_Exception $ex) {
        $hits = array();
    }

} elseif ($queryType === "dateSearch"){

    $searchQuery = '['.str_replace('/','',$fQuerydate)." TO ".str_replace('/','',$tQuerydate).']';

    try{
        $hits = $index->find($searchQuery);
    }
        catch (Zend_Search_Lucene_Exception $ex) {
        $hits = array();
    }

}  elseif ($queryType === "bothSearch"){

    $searchQuery = new Zend_Search_Lucene_Search_Query_MultiTerm();

    $searchQuery->addTerm(new Zend_Search_Lucene_Index_Term($query, 'body'), true);
    $searchQuery->addTerm(new Zend_Search_Lucene_Index_Term('['.str_replace('/','',$fQuerydate).' TO '.str_replace('/','',$tQuerydate).']', 'created'), true);

    // $searchQuery = 'body:"'.$query.'" && created:'.$fQuerydate." TO ".$tQuerydate;

try{
        $hits = $index->find($searchQuery);
    } catch (Zend_Search_Lucene_Exception $ex) {
        $hits = array();
    }
} else {
    $searchQuery = null;
}

正如你所看到的，我甚至尝试过使用解析器，但是上面的内容不会返回任何结果，尽管我正在执行我的搜索，但至少应该返回两个文档。

例如：+ body：hill + created：[20110328 TO 20110628]

返回零文档。

如你所见，我摆脱了所有'/'，'。'和' - '在我的日期（已创建）字段中，我使用了关键字声明来确保它符合搜索条件，但即使这样也没有返回。

我还想知道如何应用我自己的停止列表来使用，因为我希望将一些术语包含在搜索中，这些术语目前不是，并且对文档很重要。

由于我不是在我自己的服务器上工作并且对它的访问权限有限，我别无选择，只能使用lucene或mySQL，我最好在我的数据库中使用全文搜索吗？

提前致谢。

Answer 1

我现在设法找到有效搜索两种方式的方法。它虽然不含蓄，但非常简单。代码如下。

if($queryType === "contentSearch"){

    $term  = new Zend_Search_Lucene_Index_Term($query, 'body');

    $searchQuery = new Zend_Search_Lucene_Search_Query_Term($term);

    try{
        $hits = $index->find($searchQuery);
    }
    catch (Zend_Search_Lucene_Exception $ex) {
        $hits = array();
    }

} elseif ($queryType === "dateSearch"){



    $from = new Zend_Search_Lucene_Index_Term(str_replace('/','',$fQuerydate), 'created');

    $to   = new Zend_Search_Lucene_Index_Term(str_replace('/','',$tQuerydate), 'created');

    $searchQuery = new Zend_Search_Lucene_Search_Query_Range(
                    $from, $to, true // inclusive
                    );

    try{
        $hits = $index->find($searchQuery);
    }
    catch (Zend_Search_Lucene_Exception $ex) {
        $hits = array();
    }

}  elseif ($queryType === "bothSearch"){

    $searchQuery = new Zend_Search_Lucene_Search_Query_Boolean();

    $term  = new Zend_Search_Lucene_Index_Term($query, 'body');

    $subquery1 = new Zend_Search_Lucene_Search_Query_Term($term);

    $from = new Zend_Search_Lucene_Index_Term(str_replace('/','',$fQuerydate), 'created');

    $to   = new Zend_Search_Lucene_Index_Term(str_replace('/','',$tQuerydate), 'created');

    $subquery2 = new Zend_Search_Lucene_Search_Query_Range(
                    $from, $to, true // inclusive
                    );

    $searchQuery->addSubquery($subquery1, true  /* required */);
    $searchQuery->addSubquery($subquery2, true  /* optional */);

    try{
        $hits = $index->find($searchQuery);
    }
        catch (Zend_Search_Lucene_Exception $ex) {
        $hits = array();
    }
}

这会产生以下查询：'+（body：hill）+（created：[20110628 TO 20110629]）''有效。

我现在想要一些帮助来实现我自己的停止列表，即更改lucene正在使用的停止列表。

干杯

Zend lucene - 在文本文件中搜索

1 个答案: