2

我目前正在从事一个个人项目，我正在使用 tesseract 读取扫描的文档并将内容存储为文本文件。我将文本文件和 jpeg 文件都保存在我的 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 索引文本文件，但是在处理搜索文档时遇到了很多问题，我索引中的字段是：图像上传的日期，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));

我相信以上所有内容都可以正常工作。对于我的搜索，我打算按文本文件中的内容和图像上传到目录的日期进行搜索，因此我设计了以下查询，由于某种原因，这些查询一直未能按要求生成，特别是在按日期或搜索时按内容和日期。

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;
}

如您所见，我什至尝试过使用解析器，但是尽管我在执行搜索时知道至少应该返回两个文档，但上述内容不会返回任何结果。

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

返回零个文档。

如您所见，我摆脱了所有“/”，“。” 和“-”在我的日期（创建）字段中，我使用了关键字声明来确保它符合搜索要求，但即使这样也没有返回任何内容。

我还想知道如何应用我自己的停用词列表，因为我希望在搜索中包含一些目前不包含但对文档很重要的术语。

由于我不在自己的服务器上工作并且对它的访问权限有限，所以我别无选择，只能使用 lucene 或 mySQL，在我的数据库中使用全文搜索会更好吗？

提前致谢。

4

1 回答 1

0

我现在已经设法找到有效搜索这两个术语的方法。虽然不是隐含的，但它非常简单。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。

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

干杯

于 2011-06-29T10:39:02.660 回答