seminario apache solr
DESCRIPTION
Seminario de Apache Solr, organizado por Paradigma Tecnologico y Javahispano, presentado por Marco Martinez y Alejandro Marques el 8 de Junio de 2010 Mas info:TRANSCRIPT
1 APACHE SOLR
Paradigma Tecnológico
Servicios de formaciónApache Solr
2 APACHE SOLR
Índice
Introducción
Lucene
Solr
Instalación
Indexación
Esquema de Datos
Búsqueda
Parámetros de Búsqueda
Búsqueda Avanzada
Analizadores de Texto
Tokenización
Stemming
Sinónimos
Stop Words
N-Gramas
Componentes de Búsqueda
Highlighting
Corrección ortográfica
More like this
3 APACHE SOLR
Paradigma Tecnológico
Servicios de formaciónIntroducción
4 APACHE SOLR
Solr: Motor de búsqueda basado en Lucene.
Lucene : Proyecto de código abierto escrito en java.
Librería que proporciona búsquedas de texto de alto rendimiento haciendo
uso de índices invertidos.
Mayor velocidad en la búsqueda de cadenas de texto.
Menor dependencia del tamaño del índice.
Mayor flexibilidad en las búsquedas de texto: Búsquedas por término,
mediante N-Gramas, búsquedas fonéticas…
Mayor facilidad para ordenaciones por score y ponderaciones.
Características adicionales: Analizadores de texto, resaltado de
coincidencias, corrector ortográfico, etc.
Introducción (I): Lucene
5 APACHE SOLR
Índice Directo
Índice Invertido
Introducción (II): Índice Invertido vs. Índice Directo
1 que es esto
2 esto es un texto
3 este texto es otro texto
que 1
es 1, 2, 3
esto 1, 2
un 2
texto 2, 3
este 3
otro 3
que (1,1)
es (1,2) (2,2) (3,3)
esto (1,3) (2,1)
un (2,3)
texto (2,4) (3,2) (3,5)
este (3,1)
otro (3,4)
6 APACHE SOLR
Solr es un proyecto de código abierto escrito en java que proporciona un
recubrimiento de Lucene añadiendo características adicionales:
Acceso HTTP a Lucene.
Cachés para lograr mayor velocidad en las búsquedas.
Interfaz de administración web.
Configuración del esquema de datos y del servidor mediante archivos
XML.
Facetado de resultados (Agrupación de resultados con contadores).
Distribución de servidores.
Introducción (III): Solr
7 APACHE SOLR
Solr se divide en dos partes:
Índice: Sistema de ficheros que almacenan la información. Contiene la
configuración de Solr y la definición de la estructura de datos.
Servidor: Proporciona el acceso a los índices y las características
adicionales. Admite plugins para añadir funcionalidades.
Arquitectura de Solr (I)
8 APACHE SOLR
Solr permite búsquedas distribuidas: Uno de los servidores actúa como
maestro, consultando al resto y componiendo la respuesta.
Arquitectura de Solr (II): Arquitectura Distribuida
9 APACHE SOLR
Requisitos:
Java 1.5+
Servidor de aplicaciones
Descarga:
http://apache.rediris.es/lucene/solr/
Pasos:
Copia de índice.
Despliegue de servidor sobre el servidor de aplicaciones.
Configuración de enlace entre servidor e índice. (Modificación del
fichero web.xml)
Instalación de Solr
10 APACHE SOLR
Paradigma Tecnológico
Servicios de formaciónIndexación
11 APACHE SOLR
schema.xml: Archivo XML que define las estructura de datos a indexar.
Estructura de campo:
Tipos de Datos: Definidos por clases java.
Parámetros opcionales:
default: Valor a usar si no se recibe ninguno
required: Define si un campo es obligatorio.
indexed: Determina si un campo es buscable u ordenable.
stored: Determina si un campo se puede recuperar en una consulta.
multiValued: El campo contiene más de un valor.
Indexación de Contenidos (I): Esquema de datos
<field name=“nombre de campo" type=“tipo de dato" />
12 APACHE SOLR
Canales para el envío de documentos:
Petición HTTP: Envío de instrucción y datos asociados vía HTTP POST.
Cliente Solrj: Cliente java. Permite realizar las diferentes operaciones
sobre el índice y enviar la información en diferentes formatos.
Fuentes de datos para la indexación:
XML: Coherente con la estructura de datos definida.
Objetos Java: Representación binaria del documento XML.
CSV: Documento de texto con valores separados.
Documentos enriquecidos: PDF, XLS, DOC, PPT, …
Base de Datos: Adaptador intermedio (DataImportHandler).
Indexación de Contenidos (II)
13 APACHE SOLR
Paradigma Tecnológico
Servicios de formaciónBúsqueda
14 APACHE SOLR
Canales de búsqueda:
Petición HTTP: Envío de instrucción de búsqueda y parámetros
mediante HTTP GET.
Administrador de Solr: proporciona un recubrimiento para simplificar la
petición HTTP.
Cliente Solrj: Posee también los métodos necesarios para realizar
búsquedas sobre los índices.
Respuesta como estructura XML.
Búsquedas (I)
15 APACHE SOLR
q: Petición con formato “campo:valor” start: Documento inicial a partir del
cual se van a mostrar los resultados.
rows: Indica el número máximo de resultados a mostrar.
facets: Indica si se desean mostrar facetas. Parámetros adicionales para
indicar el campo por el que realizarlas, límite, ordenación, etc.
sort: Define la ordenación de los resultados. Ordenaciones combinadas.
Formato de ordenaciones: “precio desc, nombre asc”
fl: Campos que se devuelven en la respuesta
fq: Mismo formato que “q”. Limita la query (actúa como filtro). Los
resultados se cachean.
…
Búsquedas (II): Parámetros de Búsqueda
16 APACHE SOLR
Wildcards: Solr no permite wildcards iniciales
word*: * sustituye a cualquier número de caracteres.
w?rd: ? sustituye a un único carácter.
w?*d: Pueden componerse ambos comodines.
Operadores Lógicos
AND: word1 AND word2 = word1 && word2 = +word1 +word2
OR: word1 OR word2 = word1 || word2 = word1 word2
NOT: word1 NOT word2 = word1 -word2
Búsquedas (III): Búsqueda Avanzada
17 APACHE SOLR
Rangos: Se expresan como “campo:[A TO B]”
Boosting: Se pueden ordenar resultados dando más importancia a ciertos
campos
nombre:jose^2 AND alias:pepe^0.7
Fuzzy: Busca términos similares basándose en número de inserciones,
borrados o intercambios de caracteres. Puede definirse el grado de
proximidad.
nombre: sony~0.9 -> Devuelve resultados con nombre “sony”
nombre: sony~0.4 -> Devuelve resultados con nombre “coby”
Búsquedas (IV): Búsqueda Avanzada
18 APACHE SOLR
Paradigma Tecnológico
Servicios de formaciónAnalizadores de Texto
19 APACHE SOLR
Procesadores propios de Solr o posibilidad de implementar nuevos
analizadores.
Configurables por XML (schema.xml). Aplicables a campos específicos.
Aplicables en tiempo de indexación, durante la búsqueda o en ambos.
Existen múltiples analizadores y se pueden definir analizadores propios,
algunos de los que proporciona Solr:
Analizadores de Texto (I)
Tokenización Stemming Sinónimos
Stop Words N-Gramas
20 APACHE SOLR
Tokenización: División de texto mediante diferentes expresiones (Espacios
en blanco, etiquetas html, signos de puntuación, expresiones regulares…)
Stemming: Reducción de términos derivados a su forma raíz.
Sinónimos: Transformación de texto mediante definición explícita de
relaciones de sinonimia.
Analizadores de Texto (II): Tokenización, Stemming, Sinónimos
<tokenizer class="solr.WhitespaceTokenizerFactory"/>
<filter class="solr.EnglishPorterFilterFactory" protected="protwords.txt"/>
<filter class="solr.SynonymFilterFactory" synonyms="synonyms.txt" ignoreCase="true" expand="true"/>
21 APACHE SOLR
Stop words: Eliminación de palabras no significativas para el proceso de
búsqueda.
N-Gramas: Separación de texto en los diferentes grupos de caracteres que
lo componen.
Analizadores de Texto (III): Stop Words, N-Gramas
<filter class="solr.StopFilterFactory" words="stopwords.txt" ignoreCase="true"/>
<filter class="solr.NGramFilterFactory" minGramSize="2" maxGramSize="15"/>
22 APACHE SOLR
Paradigma Tecnológico
Servicios de formaciónComponentes de Búsqueda
23 APACHE SOLR
Los componentes de búsqueda proporcionan funciones adicionales a la
recuperación de resultados.
Son configurables en tiempo de consulta (Algunos pueden necesitar
configuración adicional en los archivos xml).
Algunos de los componentes de búsqueda que proporciona Solr:
Highlighting: Resaltado de términos.
Spell Checker: Corrección ortográfica.
More Like This: Resultados similares.
Componentes de Búsqueda (I)
24 APACHE SOLR
Componentes de Búsqueda (II): Highlighting
Highlighting: Ofrece el resaltado de términos buscados dentro de una
cadena de texto.
Algunos parámetros de configuración:
hl=true: Activa el resaltado de términos
hl.fl=[fieldnames]: Campo o campos sobre los que se realizará el resaltado.
hl.simple.pre / hl.simple.post=[etiqueta]: Etiqueta que se añadirá antes y
después del término resaltado (Ej. <span class=“bold”> término </span>)
25 APACHE SOLR
Spell Checker: Proporciona sugerencias para errores ortográficos basadas
en el contenido indexado o en un diccionario.
Para sugerencias por contenido indexado es recomendable crear un campo
para corrección ortográfica (De tipo “textSpell” o “textSpellPhrase”).
Configuración:
Componentes de Búsqueda (III): Corrección Ortográfica
<searchComponent name="spellcheck" class="solr.SpellCheckComponent"><str name="queryAnalyzerFieldType">textSpell</str><lst name="spellchecker">
<str name="name">default</str><str name="classname">solr.IndexBasedSpellChecker</str><str name="field">corrector</str><str name="spellcheckIndexDir">./spellchecker</str>
</lst></searchComponent>
26 APACHE SOLR
More Like This: Componente de sugerencia de documentos similares. Se
basa en los términos que aparecen en el documento recuperado y la
frecuencia de los mismos.
Configuración por parámetros de búsqueda:
mlt=true: Activa la utilidad de resultados similares.
mlt.fl=[fieldnames]: Campo o campos analizados.
mlt.count=[número]: Número de resultados devueltos.
mlt.qf=[field1^2.0 field2^5.0]: Configuración de ponderación sobre diferentes
campos para el cálculo de similitud.
…
Componentes de Búsqueda (IV): More Like This
27 APACHE SOLR
Paradigma Tecnológico
Servicios de formaciónReferencias
28 APACHE SOLR
Enlaces de Interés:
Página Oficial: http://lucene.apache.org/solr/
Wiki: http://wiki.apache.org/solr/
Mailing list: http://mail-archives.apache.org/mod_mbox/lucene-solr-user/
Manuales:
Smiley, D. y Pugh, E. (2009). Solr 1.4 Enterprise Search Server. Packt Publishing
Referencias y Enlaces de Interés