site/cgi-bin/modules/BSE/Index/BSE.pm

   1 package BSE::Index::BSE;
   2 use strict;
   3 use base 'BSE::Index::Base';
   4 use BSE::DB;
   5 use Constants qw($DATADIR $MAXPHRASE);
   6
   7 sub new {
   8   my ($class, %opts) = @_;
   9
  10   my $self = bless \%opts, $class;
  11
  12   $self->{dh} = BSE::DB->single;
  13   $self->{dropIndex} = $self->{dh}->stmt('dropIndex')
  14     or die "No dropIndex member in BSE::DB";
  15   $self->{insertIndex} = $self->{dh}->stmt('insertIndex')
  16     or die "No insertIndex member in BSE::DB";
  17   $self->{index} = {};
  18
  19   $self->{decay_multiplier} = 0.4;
  20
  21   return $self;
  22 }
  23
  24 sub start_index {
  25   my $self = shift;
  26
  27   my $stopwords = "$DATADIR/stopwords.txt";
  28
  29   # load the stop words
  30   open STOP, "< $stopwords"
  31     or die "Cannot open $stopwords: $!";
  32   chomp(my @stopwords = <STOP>);
  33   tr/\r//d for @stopwords; # just in case
  34   my %stopwords;
  35   @stopwords{@stopwords} = (1) x @stopwords;
  36   close STOP;
  37   $self->{weights} = {};
  38
  39   return 1;
  40 }
  41
  42 sub process_article {
  43   my ($self, $article, $section, $indexas, $fields) = @_;
  44
  45   $self->{weights}{$indexas} ||= {};
  46   for my $field (sort { $self->{scores}{$b} <=> $self->{scores}{$a} }
  47                  keys %$fields) {
  48     my $text = $fields->{$field};
  49     my $score = $self->{scores}{$field};
  50     my %seen; # $seen{phrase} non-zero if seen for this field
  51
  52     # for each paragraph
  53     for my $para (split /\n/, $text) {
  54       my @words = split /\W+/, $para;
  55       my @buffer;
  56
  57       for my $word (@words) {
  58         if ($self->{stopwords}{lc $word}) {
  59           $self->process($indexas, $section->{id}, $score, $self->{weights}{$indexas}, \%seen,
  60                          @buffer) if @buffer;
  61           @buffer = ();
  62         }
  63         else {
  64           push(@buffer, $word);
  65         }
  66       }
  67       $self->process($indexas, $section->{id}, $score, $self->{weights}{$indexas}, \%seen,
  68                      @buffer) if @buffer;
  69     }
  70   }
  71 }
  72
  73 sub process {
  74   my ($self, $id, $sectionid, $score, $weights, $seen, @words) = @_;
  75
  76   for (my $start = 0; $start < @words; ++$start) {
  77     my $end = $start + $MAXPHRASE-1;
  78     $end = $#words if $end > $#words;
  79
  80     for my $phrase (map { "@words[$start..$_]" } $start..$end) {
  81       if (lc $phrase ne $phrase && !$seen->{lc $phrase}++) {
  82         if (exists $self->{index}{lc $phrase}{$id}) {
  83           $weights->{lc $phrase} *= $self->{decay_multiplier};
  84           $self->{index}{lc $phrase}{$id}[1] +=
  85             $score * $weights->{lc $phrase};
  86         }
  87         else {
  88           $weights->{lc $phrase} = 1.0;
  89           $self->{index}{lc $phrase}{$id} = [ $sectionid, $score ];
  90         }
  91       }
  92       if (!$seen->{$phrase}++) {
  93         if (exists $self->{index}{$phrase}{$id}) {
  94           $weights->{$phrase} *= $self->{decay_multiplier};
  95           $self->{index}{$phrase}{$id}[1] +=
  96             $score * $weights->{$phrase};
  97         }
  98         else {
  99           $weights->{$phrase} = 1.0;
 100           $self->{index}{$phrase}{$id} = [ $sectionid, $score ];
 101         }
 102       }
 103     }
 104   }
 105 }
 106
 107 sub end_index {
 108   my $self = shift;
 109
 110   $self->{dropIndex}->execute()
 111     or die "dropIndex failed: ", $self->{dropindex}->errstr, "\n";
 112
 113   my $insertIndex = $self->{insertIndex};
 114   for my $key (sort keys %{$self->{index}}) {
 115     my $word = $self->{index}{$key};
 116     # sort by reverse score so that if we overflow the field we
 117     # get the highest scoring matches
 118     my @ids = sort { $word->{$b}[1] <=> $word->{$a}[1] } keys %$word;
 119     my @sections = map { $_->[0] } @$word{@ids};
 120     my @scores = map { $_->[1] } @$word{@ids};
 121
 122     $insertIndex->execute($key, "@ids", "@sections", "@scores")
 123       or die "Cannot insert into index: ", $insertIndex->errstr;
 124   }
 125 }
 126
 127 1;