文本检索 关键词检索和
问候，
介绍
本周，我们开始构建Query对象。 查询可以检索部分文本
从图书馆。 我不希望用户自己建立查询，因为用户
犯错误。 取而代之的是，图书馆提供给用户一个简单的查询
请求参数。 库是这样的：
public Query getQuery(String query) throws QueryException {
return new QueryTxt(this, query);
}
用户输入一个字符串，然后再次获得一个查询。
但是什么是查询？
继续阅读。
查询界面
查询又是一个接口，它看起来像这样：
public interface Query {
public int size();
public List<BookMark> result();
}
size（）方法返回具有正数的结果（段）数
与查询文字匹配。 result（）方法返回书签列表
代表所有匹配的段落。
在内部，查询子系统使用此接口的扩展：
interface InternalQuery extends Query {
public BitSet evaluate();
}
如您所见，该界面将以前的界面扩展为一个
方法。 该validate（）方法应该评估（原文如此）该查询。 这个
接口不是公共接口，因此用户只知道查询
接口本身。
result（）接口方法的实现调用了validate（）
方法仅一次； 所以无论result（）方法本身是多少次
调用后，结果已经是“已知的”并且查询不需要
重新评估。
查询内部
简单查询只是一个简单的文本单词。 这个词在
库的WordMap（请参阅上一节），并使用BitSet
指出哪些段落包含该词：
private BitSet makeBitSet(int[] p) {
BitSet bs= new BitSet();
for (int i= 0; i < p.length; bs.set(p[i++]));
return bs;
}
给定int数组，这些数组代表以下段落的索引：
一个单词出现时，将构造一个BitSet并将相应的位设置为1。
如果您查看BitSet API文档，就会发现BitSet非常有用
方便工作：他们可以使用一种方法来操纵整个BitSet
调用，即它们可以“和”和“或”两个BitSet以及整个范围
可以设置或重置BitSet中的位。
那么，为什么我不首先在该WordMap中使用BitSet？ 原因是，
BitSet可能比段落索引的简单数组大得多； 假设
仅在第65,000段中出现一个字。 一个BitSet将花费+-65,000位
（大约8KB），而一个元素int数组仅存储索引
数字65,000将采用单个32位int。
查询对象涉及的大多数工作是操纵BitSet，因为
他们很快就可以操纵。
查询语言
传递给库的字符串具有某种语法，即
查询。 这是一种非常简单的语言：最简单的查询是单个
单词如上一段所示。
查询可以在逻辑上“与”和“或”在一起。 “和”运算符具有
优先级高于“或”运算符，例如查询：
耶稣与上帝 魔鬼
列出其中出现耶稣和上帝两个单词的段落，或者只是
魔鬼这个词，或全部三个词。
请注意，符号“＆”和“ |” 代表“和”和“或”运算符。
子查询可以通过用括号“（”和“）”括起来进行分组。
例如，以下查询给出的结果与上一个查询不同
查询确实：
耶稣与（上帝|恶魔）
如果这些段落包含耶稣这个词，则它们是查询的结果
连同“上帝或魔鬼”一词或其中两个词一起使用
可以在查询前面加上感叹号“！”来取反查询，因此
以下查询：
耶稣＆！（上帝|魔鬼）
返回那些包含耶稣一词但不包含任何词的段落
神还是魔鬼。
'and'运算符还有很多：如果直接跟一个数字
（非负整数）该数字被视为“接近”； 这是
一个例子：
耶稣＆10神
此查询返回包含（或两个词）的所有段落
耶稣或上帝，只有在“接近”十个段落中的另一个段落
包含另一个词。 假设第n段包含耶稣一词； 这个
如果段落之一，则该段落仅是结果的一部分
n-10，n-9，... n-1，n，n + 1，... n + 9，n + 10
包含上帝一词。 该查询是可交换的，因此查询：
神与十耶稣
返回相同的结果（如果有）。 请注意，“＆”之间不允许有空格
符号和数字。 空格是可选的，因此上一个查询可以具有
被写为：
神与耶稣
如果单词包含前导数字，则必须在数字之间使用空格
第二个单词（如果它包含前导数字）。 如果号码不存在
假定值为0（零），即和查询的两个操作数都必须出现
仅在同一段落中。
最后一个查询语言元素是正则表达式。 正则表达式
查询中的格式如下：
= <delimeter> <正则表达式> <delimeter>
接下来的查询使用正则表达式，并且所有查询的结果相同：
= / esus /
= AesusA
=％esus％
前导和尾数必须相等，并且不能用于
正则表达式本身。 对于也阅读我的编译器的读者
文章系列，以下Backus Naur表示法描述了正式语法
查询语言：
查询=和查询{| 和查询} *
and-query =一元查询{＆number？ 一元查询} *
一元查询=（查询）| ！ 一元查询| = delim正则表达式delim | 字
number =任何非负整数
regexp =任何正则表达式
delim =任何字符
单词=任意字母或数字序列
查询实现
查询子系统形成了一些类的层次结构。 你们都看过
接口已经存在（请参见上文）。 层次结构如下所示：
Query
|
+---- InternalQuery
|
+------- AbstractQuery
| |
| +------- QueryAnd
| |
| +------- QueryNot
| |
| +------- QueryOr
| |
| +------- QueryRex
|
+------- QueryTxt
QueryTxt类是查询编译器；
如您在开始时所见
本文的一部分，这是图书馆拥有的类
向用户分发查询。
所有其他具体类都从AbstractQuery类扩展而来，
记账的轨迹，例如makeBitSet（）方法（参见上文）是
在此类中实现的方法。
其他类仅实现自己的“ evaluate（）”方法。 编译时
成功的结果将是一个InternalQuery对象。 对象传递给
用户实际上是一个QueryTxt对象。 当用户调用任何方法时
在Query接口中定义的QueryTxt对象将调用委托给
内部查询对象，它是编译阶段的结果。
注意，简单的“单词”查询没有特殊的类。 这是处理
通过一个不需要“或”的QueryOr对象，只需为单个对象构建一个BitSet
查询中的单词。
文本
除QueryRex外，所有查询均不需要实际扫描实际
文字：他们都使用存储在库本身中的WordMap并构建
相应的BitSet。
就处理时间而言，QueryRex是一个“昂贵”的查询：它需要
从书签中检索实际文本并匹配正则表达式
反对这个文本。 使用的文本是BookMark的toString（）的结果
方法。
此方法不仅返回段落文本，还返回组名，
书籍，章节和相关段落编号。 （请参阅上一篇文章
部分），因此QueryRex也可以搜索并找到这些名称。
结束语
下周，我将为您指向两个包含压缩文本的.zip文件
詹姆斯国王圣经和荷兰史泰登Vertaling圣经。 我会附上所有
带有下一部分文章的源代码。
您可以解压缩.zip文件，编译源代码，然后开始经营业务
然后：建立一个资料库并查询结果。 下周我会详细介绍
说明。
Prometheuzz不仅为我提供了荷兰史泰登Vertaling的全文，
圣经，但他还为我提供了两个.zip文件的磁盘空间。 我自己的ISP是
scrooge，我自己不能托管这两个文件，所以我非常感谢Prometheuzz
对于他的报价：非常感谢，我欠你一杯啤酒。
我希望下周见
亲切的问候，
乔斯
翻译自: https://bytes.com/topic/java/insights/691601-text-retrieval-systems-6-queries
文本检索 关键词检索和
