prevent warnings caused by having indexas reset the phrase weights
[bse.git] / 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;