Conceitos Principais
Este tópico trata dos seguintes assuntos:
- Introdução ao Oracle interMedia Text
- Configurando índices do Oracle interMedia Text
- Preferências default utilizadas pelo Oracle interMedia Text
- Como o Oracle interMedia Text executa a indexação (etapas lógicas principais)
Introdução ao Oracle interMedia Text
O componente de gerenciamento de texto (em versões anteriores, denominado Oracle ConText® Cartridge) do produto Oracle interMedia fornece um sistema de pesquisa de texto que permite a pesquisa e o gerenciamento de textos no banco de dados Oracle com a mesma rapidez e facilidade que quaisquer outros dados. O Oracle interMedia Text dispõe de sofisticadas técnicas de pesquisa, tornando o texto um tipo de dados padrão no servidor Oracle. Com o Oracle8i e o Oracle interMedia Text, fica muito mais fácil e econômico criar novos desenvolvimentos baseados em textos ou extensões para aplicações existentes usando ferramentas SQL padrão.
Os desenvolvedores de aplicações podem se beneficiar das pesquisas do Oracle interMedia Text em qualquer outra aplicação de banco de dados Oracle que utilize texto, permitindo pesquisas em campos de comentários em uma aplicação existente e implementando sistemas de gerenciamento de documentos em alta escala que lidam com vários formatos de documentos e critérios de pesquisa complexos. O Oracle interMedia Text suporta a pesquisa básica de texto integral na maioria dos idiomas suportados pelo banco de dados Oracle.
Configurando Índices
Os documentos são armazenados em diferentes esquemas, formatos e idiomas. Conseqüentemente, cada índice do Oracle interMedia Text tem muitas opções que precisam ser definidas para que ele possa ser configurado para determinada situação.
Ao criar um índice, o Oracle interMedia Text pode usar vários valores default, mas a maioria das situações requer que os usuários configurem os índices especificando preferências.
As muitas opções para cada índice são organizadas em grupos funcionais, denominados "classes", que se concentram em determinado aspecto da configuração. Você pode considerá-las como perguntas sobre o banco de dados de documentos:
- Armazenamento de dados: Como os documentos são armazenados?
- Filtro: Como os documentos podem ser convertidos em textos sem formatação?
- Lexer: Qual idioma está sendo indexado?
- Lista de Palavras: Como consultas difusas e por radical podem ser expandidas?
- Armazenamento: Onde os dados de índice devem ser armazenados?
Cada classe tem diversos comportamentos predefinidos denominados objetos. Cada objeto é uma possível resposta à pergunta sobre classe. Por exemplo, a classe Armazenamento de Dados contém os seguintes objetos:
- DIRECT_DATASTORE: Os documentos são diretamente armazenados na coluna de valor.
- FILE_DATASTORE: Os documentos são armazenados em arquivos externos e o valor da coluna é o nome do arquivo.
- URL_DATASTORE: Os documentos são armazenados em servidores Web, e o valor da coluna é o URL.
- DETAIL_DATASTORE: Os documentos são armazenados em várias linhas de outra tabela.
Você pode personalizar preferências às suas necessidades. Por exemplo, suponha que o seus documentos estejam armazenados no diretório /doc (ctx_ddl.set_attribute ('MYPREF','PATH','/doc'). A preferência MYPREF especifica que os documentos estão armazenados como arquivos externos no diretório /doc. Para usar essa preferência na criação de índices, identifique-a como o armazenamento de dados default para o esquema desejado.
Há uma lista completa de objetos e atributos na documentação do produto.
Dois grupos de opções não são configurados como preferências:
- Grupo de Seções: Qual é a estrutura de texto do documento?
- Lista de Interrupção: Quais são as palavras que não devem ser indexadas?
Preferências Default
Durante a criação de um índice, o Oracle interMedia Text procura uma preferência para cada classe (armazenamento de dados, filtro, grupo de seções etc.). Se nenhuma preferência for especificada pelo usuário, o Oracle interMedia Text consultará os parâmetros do sistema. Cada parâmetro do sistema contém o nome da preferência a ser usada como default.
Estes são os parâmetros de sistema para cada classe:
- DEFAULT_DATASTORE: Especifica a preferência de armazenamento de dados default.
- DEFAULT_FILTER_TEXT: Especifica a preferência de filtro default para os tipos de coluna de texto (CHAR, VARCHAR2, CLOB etc.). Também é usado quando o armazenamento de dados URL é incluído no índice.
- DEFAULT_FILTER_BINARY: Especifica a preferência de filtro default para tipos de coluna binários (como RAW ou BLOB).
- DEFAULT_FILTER_FILE: Especifica a preferência de filtro default para arquivos externos. Isso inclui colunas BFILE e índices em que o armazenamento de dados de arquivos é usado.
- DEFAULT_SECTION_HTML: Especifica o grupo de seções default quando o armazenamento de dados URL ou o filtro INSO é usado.
- DEFAULT_SECTION_TEXT: Especifica o grupo de seções a ser usado para todos os outros casos.
- DEFAULT_LEXER: Especifica a preferência de lexer default.
- DEFAULT_STOPLIST: Especifica a lista de interrupção default.
- DEFAULT_WORDLIST: Especifica a preferência de lista de palavras default.
- DEFAULT_STORAGE: Especifica a preferência de armazenamento default.
Durante a criação de um banco de dados, o Oracle interMedia Text define esses parâmetros do sistema com preferências default apropriadas. Os usuários conectados como CTXSYS podem redefinir esses parâmetros do sistema.
Como o interMedia Text Executa a Indexação
Estas são as principais etapas lógicas que o interMedia Text utiliza ao indexar um documento:
- A lógica de armazenamento de dados percorre as linhas das tabelas e lê os dados da coluna. Em geral, isso representa apenas os dados da coluna, mas alguns armazenamentos de dados utilizam os dados da coluna como um ponteiro para o dados do documento. Por exemplo, URL_DATASTORE utiliza os dados da coluna com um URL.
- O filtro obtém os dados do documento e os transforma em uma representação de texto. Isso é necessário durante o armazenamento de documentos binários como arquivos do Word ou do Acrobat. A saída do filtro não precisa ser um texto sem formatação - ela pode ser feita em um formato de texto como XML ou HTML.
- O separador obtém a saída do filtro e a converte em texto sem formatação. Há diferentes separadores para diferentes formatos de texto, incluindo XML e HTML. A conversão para texto sem formatação inclui a detecção de tags de seção importantes, a remoção de informações "invisíveis" e a reformatação do texto.
- O lexer obtém o texto sem formatação do separador e o divide em tokens discretos . Há lexers para idiomas delimitados por espaços em branco, bem como lexers especializados para idiomas asiáticos, em que a segmentação é complexa.
- O mecanismo obtém todos os tokens do lexer, os deslocamentos de seção do separador de seções e uma lista de palavras de informações de baixo nível chamadas palavras de interrupção e cria um índice invertido. O índice invertido armazena tokens e os documentos em que esses tokens ocorrem.
Consulte também: Tópicos principais (estrutura de tópicos)