1: #!/usr/bin/perl -w
2:
3: =head1 NAME
4:
5: updateRS.pl - Скрипт для занесения в таблицы русского поиска базы
6: B<$base> информации о вопросах. Использует DB_File.
7:
8: =head1 SYNOPSIS
9:
10: updateRS1.pl Questions_per_cicle cicles_number
11:
12: updateRS.pl Questions_per_cicle
13:
14: updateRS.pl
15:
16:
17: =head1 DESCRIPTION
18:
19: Скрипт ищет в таблице Questions вопросы с нулевым ProcessedBySearch,
20: добавляет информацию в таблицы word2question, nests, nf. Поле
21: ProcessedBySearch устанавливается в 1. Обрабатывает
22: Questions_per_cicle*cicles_number вопросов, сбрасывая
23: информацию в базу каждые Questions_per_cicle вопросов.
24: Значения по умолчанию:
25: Questions_per_cicle=500;
26: cicles_number=1.
27:
28: Создание в рабочем каталоге файла RS_pause прерывает работу с сохранением
29: хэшей, это означает, что при следующем запуске скрипт продолжит работу с места
30: остановки (обнулится только счётчик обработанных вопросов).
31: Продолжить крайне желательно, потому что у обработанные вопросах
32: уже установлен флаг ProcessedBySearch, но реально информация о них в базу
33: ещё не занесена.
34:
35: Создание в рабочем каталоге файла RS_stop инициирует процесс завершения
36: работы скрипта, с предварительным занесением информации об обработанных
37: вопросах в базу.
38:
39: Оба файла убиваются по окончании работы.
40:
41: =head1 AUTHOR
42:
43: Роман Семизаров
44:
45:
46: =cut
47:
48:
49:
50: use locale;
51: use DBI;
52: use POSIX qw (locale_h);
53: use lib "../lib";
54: use chgkfiles;
55: use dbchgk;
56: open (STDERR,">errors");
57: my $initime=time;
58: open TIME, ">time";
59: do "common.pl";
60: do "chgk.cnf";
61:
62: use DB_File;
63:
64:
65: $stopslovo{'В'}=1;
66: $stopslovo{'С'}=1;
67: $stopslovo{'ИЗ'}=1;
68: $stopslovo{'НА'}=1;
69: $stopslovo{'И'}=1;
70: $stopslovo{'К'}=1;
71:
72:
73: $qlimit=shift||500;
74: $times=shift||1;
75:
76: die "Undefined \$maxwsize! check your chgk.cnf" unless $maxwsize;
77:
78: require "check.pl";
79:
80: open (STDERR,">$stderr") if $stderr;
81:
82:
83: open (UNKNOWN,">$unknown");
84:
85:
86:
87: my $nf;
88:
89: #open WARN, ">$warnings";
90:
91: #%forbidden=checktable('equalto')? getequalto : ();
92:
93:
94: if ((uc 'а') ne 'А') {die "!Koi8-r locale not installed!\n"};
95:
96: getquestions(QuestionId, Question, Answer, Comments, Authors, Sources,"ProcessedBySearch IS NULL");
97:
98:
99:
100:
101: tie %words, 'DB_File', 'words.tmp';
102:
103: if (!(scalar keys %words))
104: {
105: print "Loading dictionaries\n";
106: die "No dictionaries! Check your chgk.cnf" unless scalar @dictionaries;
107: foreach $d(@dictionaries)
108: {
109: print "Loading $d\n";
110: open (DICT, $d) || print " Not found\n";
111: while ( <DICT> )
112: {
113: chomp;
114: s/\s*$//;
115: ($aa,$b)=split(/\//);
116: $aa=~tr/ёЁ/еЕ/;
117: $a= uc $aa;
118: $words{$a}.=$b || "!";
119: }
120: close(DICT);
121: }
122: }
123:
124: die "No dictionaries found! Check your chgk.cnf" unless scalar keys %words;
125:
126:
127:
128: print TIME "\t\t".(time-$initime)."\n";
129:
130: for my $commonI(1..$times)
131: {
132:
133:
134:
135:
136: tie %nf, 'DB_File', 'nf.tmp';
137: tie %nfnumber, 'DB_File', 'nfnumber.tmp';
138: tie %newnf, 'DB_File', 'newnf.tmp';
139: tie %neww2k, 'DB_File', 'neww2k.tmp';
140:
141:
142:
143: if (!((scalar keys %nf)||(scalar keys %newnf)))
144: {
145: print "loading nests\n";
146: %nf=getnests;
147: %nfnumber=getnfnumbers;
148: }
149:
150:
151:
152: print "Getting words...\n";
153:
154: getquestions(QuestionId, Question, Answer, Comments, Authors, Sources,"ProcessedBySearch IS NULL");
155: $sch=0;
156: while ((++$sch<=$qlimit) && (($id, @ss) = getrow, $id))
157: # берём по одному вопросу
158: # и вешаем в массив, индексы которого -- словоформы,
159: # а значения -- списки вопросов.
160: {
161:
162:
163: if (-e "RS_pause") {unlink("RS_pause"); exit}
164: if (-e "RS_stop") {unlink("RS_stop"); last}
165: print "$sch $id\n" ;#unless (++$sch % 1);
166: searchmark($id);
167: if ($forbidden{$id}) {next};
168: foreach $fieldnumber (0..$#ss) #перебираем поля
169: {
170: $text=$ss[$fieldnumber];
171: next unless $text;
172: $text=~tr/ёЁ/еЕ/;
173: $text=~s/(${RLrl})p(${RLrl})/$1p$2/gom;
174: $text=~s/p(${RLrl})/р$1/gom;
175: $text=~s/(${RLrl})p/$1р/gom;
176: $text=~s/\s+/ /gmo;
177: @list= $text=~m/(?:(?:${RLrl})+)|(?:[A-Za-z0-9]+)/gom;
178:
179: foreach $wordnumber(0..$#list)
180: {
181: $word=uc $list[$wordnumber];
182: next if length $word>$maxwsize;
183: next if $stopslovo{$word};
184: if (my $n=$nf{$word}||$newnf{$word})
185: {
186: @n= split ' ',$n;
187: $nfkvo{$_}++ foreach @n;
188: $neww2k{$_}.=packword($fieldnumber, $id,$wordnumber%256)
189: foreach (@n);
190: }
191: else {
192: if ($word=~/^${RLrl}+$/o){ # Русское слово
193: # проанализировать по таблице аффиксов,
194: # проверить наличие начальных форм в
195: # nf, а если таких нет, то
196: # и по словарю.
197:
198: $nf=&checkit(uc $word,\%words);
199: if (!$nf) {
200: $nf=(uc $word)."/!";
201: print UNKNOWN "$nf\n" if $unknown;
202: }
203:
204: } else {# нерусское слово
205: $nf=(uc $word)."/!";
206: print UNKNOWN "$nf\n" if $unknown;
207: }
208:
209: foreach $n (split ' ', $nf)
210: {
211: ($f,$flag)=split '/', $n;
212: if ($nfnumber=$nfnumber{$f})
213: {
214: $newnf{$word}.=" $nfnumber";
215: $nfkvo{$nfnumber}++;
216: $a=\$neww2k{$nfnumber};
217: $$a.=packword($fieldnumber, $id,$wordnumber);
218: if (length $$a>100) {flushw2k($nfnumber)}
219: }
220: else
221: {
222: $nfnumber=addnf(0, $f, $flag,1);
223: $newnf{uc $word}.=" $nfnumber";
224: $neww2k{$nfnumber}.=packword($fieldnumber, $id,$wordnumber);
225: }
226: }
227: }
228:
229: }
230: }
231:
232: }
233:
234:
235: print "Filling word2question...\n";
236:
237: foreach (keys %neww2k)
238: {
239: updateword2question($_,$neww2k{$_});
240: delete $neww2k{$_};
241: }
242:
243: %neww2k=();
244:
245: print "Filling nf...\n";
246: $sch=0;
247:
248: incnf($_,$nfkvo{$_}) foreach (keys %nfkvo);
249:
250: %nfkvo=();
251:
252: print "Filling nests...\n";
253: $sch=0;
254:
255:
256: foreach $w (keys %newnf)
257: {
258: print "$sch\n" unless (++$sch % 1000);
259: @nf=split ' ',$newnf{$w};
260: addnest($w,$_) foreach @nf;
261: }
262: print "$sch nests added\n";
263:
264: print TIME "$commonI: \t$sch ";
265: print TIME "\t".(time-$initime)."\n";
266: %newnf=();
267:
268: }
269:
270: &untieall;
271:
272: unlink "words.tmp";
273: unlink "newnf.tmp";
274: unlink "neww2k.tmp";
275: unlink "nfnumber.tmp";
276: unlink "nf.tmp";
277:
278: sub flushw2k
279: {
280: my ($n)=@_;
281: updateword2question($n,$neww2k{$n});
282: delete $neww2k{$_};
283: }
284:
285: sub untieall
286: {
287: untie %nf;
288: untie %nfnumber;
289: untie %newnf;
290: untie %neww2k;
291: untie %words;
292:
293: }
294:
FreeBSD-CVSweb <freebsd-cvsweb@FreeBSD.org>