Hauptkonzepte
In diesem Hilfetext werden folgende Themen behandelt:
- Einführung in Oracle interMedia Text
- Oracle interMedia Text-Indizes konfigurieren
- Von Oracle interMedia Text benutzte Standardvoreinstellungen
- So führt Oracle interMedia Text die Indizierung durch (wichtigste logische Schritte)
Einführung in Oracle interMedia Text
Die Textverwaltungskomponente (die in früheren Releases als Oracle ConText® Cartridge bezeichnet wurde) des Produkts Oracle interMedia stellt ein System zur Textsuche bereit, mit dem Text innerhalb der Oracle-Datenbank genau so schnell und einfach wie andere Daten gesucht und verwaltet werden kann. Oracle interMedia Text verfügt über hochentwickelte Techniken zur Textsuche, mit denen ein Text zu einem Standarddatentyp im Oracle-Server wird. Mit Oracle8i und Oracle interMedia Text können neue text-basierte Entwicklungen oder Erweiterungen von bestehenden Anwendungen einfach und kostengünstig mit standardmäßigen SQL-Tools generiert werden.
Anwendungsentwickler können die Oracle interMedia Text-Suche in jeder Oracle-Datenbankanwendung nutzen, die Text verwendet, von der Aktivierung eines Kommentarfeldes zur Suche in einer bestehenden Anwendung bis zur Implementierung umfangreicher Systeme zur Dokumentenverwaltung, bei denen viele Dokumentformate und komplexe Suchkriterien auftreten. Oracle interMedia Text unterstützt die Basis-Volltextsuche in den meisten Sprachen, die von der Oracle-Datenbank unterstützt werden.
Indizes konfigurieren
Dokumente werden in vielen verschiedenen Schemata, Formaten und Sprachen gespeichert. Somit verfügt jeder Oracle interMedia Text-Index über viele Optionen, die festgelegt werden müssen, um das Programm für eine bestimmte Situation zu konfigurieren.
Wenn Sie einen Index erstellen, kann Oracle interMedia Text verschiedene Standardwerte benutzen, in den meisten Situationen müssen Benutzer jedoch die Indizes durch Angabe von Voreinstellungen konfigurieren.
Die vielen Optionen für jeden Index sind in funktionale Gruppen aufgeteilt, die als "Klassen" bezeichnet werden und sich jeweils auf einen bestimmten Aspekt der Konfiguration konzentrieren. Sie können sich diese Klassen so vorstellen, als würden Fragen über die Dokumentdatenbank gestellt:
- Datenspeicher: Wie werden die Dokumente gespeichert?
- Filter: Wie können Dokumente in einfachen Text konvertiert werden?
- Lexer: Welche Sprache wird indiziert?
- Word-List: Wie können Stem- und Fuzzy-Abfragen erweitert werden?
- Speicherung: Wo sollen die Indexdaten gespeichert werden?
Jede Klasse verfügt über eine Reihe von vordefinierten Verhaltensweisen, die als Objekte bezeichnet werden. Jedes Objekt ist eine mögliche Antwort auf die Klassenfrage. So enthält z.B. die Klasse Datenspeicher folgende Objekte:
- DIRECT_DATASTORE: Die Dokumente werden direkt in dem Spaltenwert gespeichert.
- FILE_DATASTORE: Die Dokumente werden in externen Dateien gespeichert, und der Spaltenwert ist der Dateiname.
- URL_DATASTORE: Die Dokumente werden auf Web-Servern gespeichert, und der Spaltenwert ist der URL.
- DETAIL_DATASTORE: Die Dokumente werden in mehreren Zeilen einer anderen Tabelle gespeichert.
Sie können Voreinstellungen entsprechend Ihren Anforderungen anpassen. Angenommen, Ihre Dokumente sind in dem Verzeichnis /doc (ctx_ddl.set_attribute('MYPREF','PATH','/doc') gespeichert. Mit der Voreinstellung MYPREF wird angegeben, dass Dokumente als externe Dateien in dem Verzeichnis /doc gespeichert werden. Um diese Voreinstellung beim Erstellen von Indizes zu verwenden, identifizieren Sie sie als Standard-Datenspeicher für das gewünschte Schema.
Eine vollständige Liste von Objekten und Attributen ist in der Produktdokumentation enthalten.
Zwei Gruppen von Optionen sind nicht als Voreinstellungen konfiguriert:
- Bereichsgruppe: Was ist die Struktur des Dokumenttextes?
- Stop-List: Welche Wörter dürfen nicht indiziert werden?
Standardvoreinstellungen
Beim Erstellen eines Index sucht Oracle interMedia Text nach einer Voreinstellung für jede Klasse (Datenspeicher, Filter, Bereichsgruppe usw.). Wenn keine Voreinstellung vom Benutzer angegeben wird, befragt Oracle interMedia Text Systemparameter. Jeder Systemparameter enthält den Namen der Voreinstellung, die als Standardwert benutzt werden soll.
Für jede Klasse gibt es Systemparameter:
- DEFAULT_DATASTORE: Gibt die Standardvoreinstellung für den Datenspeicher an.
- DEFAULT_FILTER_TEXT: Gibt die Standard-Filtervoreinstellung für Text-Spaltentypen (CHAR, VARCHAR2, CLOB usw.) an. Dieser Systemparameter wird auch benutzt, wenn der URL-Datenspeicher im Index verwendet wird.
- DEFAULT_FILTER_BINARY: Gibt die Standard-Filtervoreinstellung für binäre Spaltentypen an (wie z.B. RAW oder BLOB).
- DEFAULT_FILTER_FILE: Gibt die Standard-Filtervoreinstellung für externe Dateien an. Dies umfasst BFILE-Spalten und -Indizes, wenn der Datei-Datenspeicher benutzt wird.
- DEFAULT_SECTION_HTML: Gibt die Standard-Bereichsgruppe an, wenn der URL-Datenspeicher oder der INSO-Filter benutzt wird.
- DEFAULT_SECTION_TEXT: Gibt die Bereichsgruppe zur Benutzung für alle anderen Fälle an.
- DEFAULT_LEXER: Gibt die Standard-Lexer-Voreinstellung an.
- DEFAULT_STOPLIST: Gibt die Standard-Stop-List an.
- DEFAULT_WORDLIST: Gibt die Standardvoreinstellung für Word-List an.
- DEFAULT_STORAGE: Gibt die Standardvoreinstellung für die Speicherung an.
Beim Erstellen einer Datenbank legt Oracle interMedia Text diese Systemparameter auf die entsprechenden Standardvoreinstellungen fest. Benutzer, die sich als CTXSYS anmelden, können diese Systemparameter zurücksetzen.
So führt interMedia Text die Indizierung durch:
Als nächstes werden die wichtigsten logischen Schritte beschrieben, die interMedia Text beim Indizieren eines Dokumentes verwendet:
- Die Logik Datenspeicher durchläuft in Schleifen die Zeilen der Tabelle und liest die Daten aus der Spalte. Im Allgemeinen handelt es sich einfach um die Spaltendaten, einige Datenspeicher verwenden jedoch die Spaltendaten als Zeiger auf die Dokumentdaten. So verwendet z.B. URL_DATASTORE die Spaltendaten als einen URL.
- Der Filter verwendet die Dokumentdaten und wandelt sie in eine Textdarstellung um. Dies ist erforderlich, wenn binäre Dokumente gespeichert werden, wie z.B. Word- oder Acrobat-Dateien. Die Ausgabe des Filters muss nicht einfacher Text sein - bei der Ausgabe kann es sich um ein Textformat wie XML oder HTML handeln.
- Der Sectioner konvertiert die Ausgabe aus dem Filter in einfachen Text. Es gibt verschiedene Sectioner für unterschiedliche Textformate, einschließlich XML und HTML. Die Konvertierung in einfachen Text umfasst das Erkennen wichtiger Section-Tags, das Entfernen "unsichtbarer" Informationen und das Neuformatieren von Text.
- Der Lexer teilt den einfachen Text aus dem Sectioner in einzelne Token. Es gibt Lexer für Sprachen, die Leerzeichen als Begrenzungszeichen verwenden, sowie spezialisierte Lexer für die asiatischen Sprachen, bei denen die Segmentierung komplex ist.
- Die Engine verwendet alle Token aus dem Lexer, die Section-Offsets aus dem Sectioner und eine Liste mit wenig Informationen umfassenden Wörtern, die als Stop-Words bezeichnet werden, und generiert einen invertierten Index. In dem invertierten Index werden Token und die Dokumente gespeichert, in denen diese Token auftreten.
Siehe auch: Hauptthemen (Gliederung)