АРМ Администратор полнотекстовых БД — различия между версиями

Версия 20:23, 27 декабря 2010

Для создания электронных коллекций полнотекстовых документов с возможностью полнотекстового поиска в АРМ Администриратор полнотекстовых БД поддерживается работа с полнотекстовыми базами данных ИРБИС.

В этой статье описаны возможности АРМ Администриратор полнотекстовых БД, характерные для работы с полнотекстовыми базами. Общие возможности АРМ Администратор, относящихся к любым базам, описаны в статье АРМ Администратор.

Рекомендации по созданию полнотекстовых баз данных ИРБИС можно найти в статье Включение полнотекстовых документов в базу данных ИРБИС.

Создание новой полнотекстовой базы данных

Необходимые действия для создания баз данных, в том числе полнотекстовых, описаны в соответствующем разделе статьи АРМ Администратор.

Включение полнотекстовых документов в базу данных ИРБИС

При включении текстов в базу данных добавляются соответствующие записи, содержащие ссылки на файлы с полными текстами. Включение текстов в базу и удаление текстов из базы влекут изменения базы данных, при этом сами файлы полных текстов остаются в неизменном виде на файловой системе.

Включение полнотекстовых документов в базу данных ИРБИС осуществляется с помощью специальной формы, которая открывается при выборе пункта главного меню Полнотекстовый сервис – Добавить / удалить полнотекстовые документы (для версии 2009.1 Полнотекстовый сервис – Добавить (удалить) тексты в БД).

Графический интерфейс этой формы представляет собой:

• набор вкладок и опций, относящихся к процессу включения текстов в базу данных ИРБИС;
• список включённых в полнотекстовую базу данных текстов;
• кнопки Добавить, Удалить, Обновить.

Процесс включения текстов начинается по нажатию кнопки Добавить и осуществляется в соответствии с выбранными опциями.

При нажатии кнопки Удалить происходит удаление из базы данных выбранных текстов.

Ниже описаны опции, относящиеся к процессу включения текстов в базу данных ИРБИС.

Возможности выбора полнотекстовых документов, которые необходимо включить в базу данных ИРБИС

В зависимости от выбранной вкладки изменяется способ указания текстов, которые необходимо включить в полнотекстовую базу. Примечание: в версии 2009.1 таких вкладок нет.

В текущую базу данных могут быть включены:

• Документы, явно указанные пользователем (вкладка Отдельные файлы, в версии 2009.1 снятый флажок Добавить директорию с текстами). После нажатия кнопки Добавить осуществляется выбор отдельных файлов.
• Все документы из папки, указанной пользователем (вкладка Папки, в версии 2009.1 установленный флажок Добавить директорию с текстами). После нажатия кнопки Добавить осуществляется выбор папки.
• Все документы из архива ZIP или RAR, указанного пользователем (вкладка Архивы). После нажатия кнопки Добавить осуществляется выбор архивов.
• полнотекстовые документы, связанные с базой данных электронного каталога ИРБИС в качестве внешних объектов (вкладка Внешние объекты электронного каталога, в версии 2009.1 кнопка Добавить тексты из ЭК). После нажатия кнопки Добавить осуществляется выбор электронного каталога.

Виды ссылок на полнотекстовые документы (относительные или абсолютные)

В зависимости от выбранных опций в базе данных ИРБИС могут быть сохранены относительные или абсолютные пути к файлам полных текстов.

Использование относительных путей возможно в случае хранения полных текстов в папке базы данных.

Возможность включения в базу полнотекстовых документов с разбиением на страницы

PDF-файлы и DJVU-файлы могут быть включены в полнотекстовую базу данных с разбиением на страницы.

При включении в базу с разбиением на страницы каждая страница добавляется в базу как отдельный документ. В этом случае при полнотекстовом поиске пользователь может найти отдельную страницу документа, а не многостраничный документ целиком.

Разбиение файлов на страницы выполняется при добавлении текстов в базу, если выставлена соответствующая опция, а также при создании словаря (для текстов, являющихся страницами многостраничного PDF-файла).

Ассоциация текста-подложки с включаемым в полнотекстовую базу документом

Примечание: данная возможность поддерживается с версии 2011.1, а также присутствует в последних обновлениях версии 2010.1.

Существует возможность включения в полнотекстовую базу документов с ассоциированным текстовым файлом. Будем называть такой ассоциированный текстовый файл "текст-подложка" или просто "подложка". В этом случае для отображения пользователю будет использован сам включённый в базу документ, а словарь будет построен на основе подложки.

Если установлена опция Искать текст-'подложку', то при включении каждого документа в базу осуществляется проверка наличия соответствующего текстового файла. Если соответствующий файл найден, то происходит ассоциация включаемого документа с этим текстовым файлом. Соответствие определяется так: файлы находятся в одной папке; имя ассоциируемого текстового файла получается добавлением расширения .txt к имени документа. Например: документу example.pdf соответствует подложка example.pdf.txt.

Возможность размещения полнотекстовых документов в специально предназначенном архиве (не поддерживается с версии 2010.1)

Примечание: начиная с версии 2010.1 данная возможность не поддерживается, в связи с чем не рекомендуется к использованию.

В зависимости от выбранных опций, при включении полнотекстовых документов в базу данных документы могут быть скопированы в специально предназначенный архив – файл с расширением .izp в папке базы данных.

Обслуживание словаря полнотекстовых баз данных ИРБИС

При актуализации или создании словаря по ссылкам на полнотекстовые документы, которые были добавлены при включении текстов в базу, находятся соответствующие файлы. Из этих файлов извлекаются текстовые данные, на основе которых строится словарь базы данных.

В словарь попадают только те термины, которые присутствуют в полнотекстовых документах в текстовом виде (не в виде графического изображения). Если установлена ассоциация документа с текстом-подложкой, то в словарь попадают только те термины, которые присутствуют в подложке.

Извлечение текстовых данных из PDF-файлов

Извлечение текста в процессе создания словаря осуществляется с помощью одной из утилит: pdftotext.exe или docs2text.exe.

Указанные утилиты дополняют друг друга. Из некоторых PDF-файлов текст удаётся извлечь только с помощью pdftotext.exe, из других docs2text.exe. Существуют PDF-файлы, из которых не удаётся извлечь текст ни одной ни другой утилитой.

Утилита выбирается в соответствии со значением параметра Converter_PDF в конфигурационном файле АРМ Администратор ИРБИС.

С версии 2011.1 (а также в последних обновлениях версии 2010.1) добавлена возможность автоматического подбора подходящей утилиты для извлечения текстов из PDF-файлов. См. описание параметра PDFTextExtractUtilityOrder в статье Конфигурационный файл АРМ Администратор ИРБИС.

Описание известных решений проблем извлечения текста из PDF-файлов см. в соответствующем разделе статьи Включение полнотекстовых документов в базу данных ИРБИС.

Ссылки

См. также:

• Электронные коллекции полнотекстовых документов на платформе ИРБИС 64
• Включение полнотекстовых документов в базу данных ИРБИС
• Полнотекстовые базы данных ИРБИС