xapian的使用

1、先来看一下Xapian的介绍：

Xapian的官方网站是http://www.xapian.org，这是一个非常优秀的开源搜索引擎项目，搜索引擎其实只是一个通俗的说法，正式的说法其实是IR（Information Retrieval）系统。Xapian的License是GPL，这意味着允许使用者自由地修改其源码并发布之。Xapian的中文资料非常少，可以说现在互联网上连一篇完整详细的Xapian中文介绍文档，更别说中文API文档了。

Xapian由C++编写，但可以绑定到Perl, Python, PHP, Java, Tcl, C# 和Ruby甚至更多的语言，Xapian可以说是STL编程的典范，在这里您可以找到熟悉的引用计数型智能指针、容器和迭代器，甚至连命名也跟STL相似，相信一定能引起喜好C++和STL的你的共鸣（实际上，很少C++程序员完全不使用STL）。

注：

更详细的介绍请参考：http://www.162cm.com/p/xapian-learning.html

自己编译参考请参考：http://blog.csdn.net/visualcatsharp/article/details/4096639

当然你也可以直接下载我自己编译的版本：(包含在测试项目中，下载地址：)

http://download.csdn.net/detail/zengraoli/5791047

二、使用Xapian的一个例子(神马介绍都是浮云，能用起来才是王道)

// writedatabase.cpp : 定义控制台应用程序的入口点。
//

#include "../xapian.h"
#include <iostream>
using namespace std;

#pragma comment(lib, "ws2_32.lib")
#pragma comment(lib, "../xapian-lib/zdll.lib")
#pragma comment(lib, "../xapian-lib/libapi.lib")
#pragma comment(lib, "../xapian-lib/libapi.lib")
#pragma comment(lib, "../xapian-lib/libbackend.lib")
#pragma comment(lib, "../xapian-lib/libcommon.lib")
#pragma comment(lib, "../xapian-lib/libexpand.lib")
#pragma comment(lib, "../xapian-lib/libflint.lib")
#pragma comment(lib, "../xapian-lib/libflintbtreecheck.lib")
#pragma comment(lib, "../xapian-lib/libinmemory.lib")
#pragma comment(lib, "../xapian-lib/liblanguages.lib")
#pragma comment(lib, "../xapian-lib/libmatcher.lib")
#pragma comment(lib, "../xapian-lib/libmulti.lib")
#pragma comment(lib, "../xapian-lib/libnet.lib")
#pragma comment(lib, "../xapian-lib/libquartz.lib")
#pragma comment(lib, "../xapian-lib/libquartzbtreecheck.lib")
#pragma comment(lib, "../xapian-lib/libqueryparser.lib")
#pragma comment(lib, "../xapian-lib/libremote.lib")
#pragma comment(lib, "../xapian-lib/libtest.lib")
#pragma comment(lib, "../xapian-lib/libunicode.lib")

#define INDEX_PATH "..\\index_data"

int main(int argc, char **argv)
{
	try
	{
		// 创建或者打开一个可读写的数据库
		Xapian::WritableDatabase db(INDEX_PATH, Xapian::DB_CREATE_OR_OPEN);
		// 分词器
		Xapian::TermGenerator indexer;
		string para;
		int flag = 0;
		while (flag++ < 8)
		{
			string line;
			if (cin.eof())
			{
				if (para.empty()) break;
			}
			else
			{
				getline(cin, line);
			}
			if (line.empty())
			{
				if (!para.empty())
				{
					// 生成一个文档
					Xapian::Document doc;
					doc.set_data(para); // 定义文档数据，这些数据对于用户来说是不透明的，用户可以在这里定义文档的一些属性，或URI,路径等信息
					// 设置文档，分词
					indexer.set_document(doc);
					indexer.index_text(para);
					// Add the document to the database.
					// 把文档加入数据库
					db.add_document(doc);
					para.resize(0);
				}
			}
			else
			{
				if (!para.empty()) para += ' ';
				para += line;
			}
		}  

		db.flush();
	}
	catch (const Xapian::Error &e)
	{
		cout << e.get_description() << endl;
		exit(1);
	}
}

说说上面程序核心部分的意思：

以DB_CREATE_OR_OPEN方式打开INDEX_PATH路径下的数据库(这种方式是，不存在则创建出来，存在就直接追加)；

在Xapian中也有这样一个概念，所有的Xapian操作都是围绕数据库来的，在索引建立的时候，所有文档(Document)都会被放入数据库中

所以我们下一步是来创建文档：Xapian::Documentdoc;假如从控制台输入的数据不为空，那么para是有数据的(控制台通过判断当前输入是否为empty，即空行的情况)，我们去设置这个文档的内容：doc.set_data(para);

这样我们的文档里边是存在内容的了，那么我们需要通过分词器去为我们识别每一个词indexer.set_document(doc);，用indexer.index_text(para);设置我们的索引text(对于这个函数的说明是这样的)：

    /** Index some text in a std::string.
     *
     * @param weight	The wdf increment (default 1).
     * @param prefix	The term prefix to use (default is no prefix).
     */

Xapian默认是通过判断空格来区分每一个词的，所以这么设置之后，假若文档中有N个空格，那么单词数就有N+1个。

最后一步，要把这个已经分好词的文档，放到数据库中db.add_document(doc);。

这样之后，我们的数据库就有数据了，这里我的输入是：

下面来看看，怎样对刚才数据库中的这几条语句，做检索：

// search.cpp : 定义控制台应用程序的入口点。
//

#include "stdafx.h"
#include "../xapian.h"
#include <iostream>
using namespace std; 

#pragma comment(lib, "ws2_32.lib")
#pragma comment(lib, "../xapian-lib/zdll.lib")
#pragma comment(lib, "../xapian-lib/libapi.lib")
#pragma comment(lib, "../xapian-lib/libapi.lib")
#pragma comment(lib, "../xapian-lib/libbackend.lib")
#pragma comment(lib, "../xapian-lib/libcommon.lib")
#pragma comment(lib, "../xapian-lib/libexpand.lib")
#pragma comment(lib, "../xapian-lib/libflint.lib")
#pragma comment(lib, "../xapian-lib/libflintbtreecheck.lib")
#pragma comment(lib, "../xapian-lib/libinmemory.lib")
#pragma comment(lib, "../xapian-lib/liblanguages.lib")
#pragma comment(lib, "../xapian-lib/libmatcher.lib")
#pragma comment(lib, "../xapian-lib/libmulti.lib")
#pragma comment(lib, "../xapian-lib/libnet.lib")
#pragma comment(lib, "../xapian-lib/libquartz.lib")
#pragma comment(lib, "../xapian-lib/libquartzbtreecheck.lib")
#pragma comment(lib, "../xapian-lib/libqueryparser.lib")
#pragma comment(lib, "../xapian-lib/libremote.lib")
#pragma comment(lib, "../xapian-lib/libtest.lib")
#pragma comment(lib, "../xapian-lib/libunicode.lib")

#define INDEX_PATH "..\\index_data"

int main()
{
	try
	{
		//打开数据库
		Xapian::Database db(INDEX_PATH);
		// Start an enquire session.
		// 生成查询会话
		Xapian::Enquire enquire(db);
		string query_string("zengraoli");
		Xapian::QueryParser qp;
		qp.set_database(db);
		qp.set_stemming_strategy(Xapian::QueryParser::STEM_SOME);
		// 解析查询条件
		Xapian::Query query = qp.parse_query(query_string);
		cout << "Parsed query is: " << query.get_description() << endl;
		// 把解析后的查询条件放入查询会话
		enquire.set_query(query);
		// 得到查询结果
		Xapian::MSet matches = enquire.get_mset(0, 10);
		// Display the results.
		cout << matches.get_matches_estimated() << " results found.\n";
		cout << "Matches 1-" << matches.size() << ":\n" << endl;
		// 得到查询结果
		for (Xapian::MSetIterator i = matches.begin(); i != matches.end(); ++i)
		{
			cout << i.get_rank() + 1 << ": " << i.get_percent() << "% docid=" << *i
				<< " [" << i.get_document().get_data() << "]\n\n";
		}
	}
	catch (const Xapian::Error &e)
	{
		cout << e.get_description() << endl;
		exit(1);
	}
	return 0;

}

search程序核心部分：

首先打开数据库，生成一个临时会话(相当于数据库连接中的一条管道)，设置我要查询的单词(这里是“zengraoli”)；

再来生成一个查询分析器，设置查询分析器中对应的数据库(db)，设置它的返回策略(这里选择的是部分：Xapian::QueryParser::STEM_SOME)；

设置查询条件，也就是上面的单词；

输出我们的查询条件看看：query.get_description()；

在刚才的临时会话(管道)中，设置我们上面的查询条件；

Xapian::MSet matches用来得到从数据库中返回的所以匹配的条目；

matches.get_matches_estimated()、matches.size()分别是显示出匹配的条目和大小；

我们需要一个迭代器，从匹配的条目中，逐个输出到控制台中：

for (Xapian::MSetIterator i = matches.begin(); i != matches.end(); ++i)
		{
			cout << i.get_rank() + 1 << ": " << i.get_percent() << "% docid=" << *i
				<< " [" << i.get_document().get_data() << "]\n\n";
		}

i.get_rank()从0开始，我们必须+1，才能和使用者的三观保持一致。i.get_percent()是匹配条目的相似度(在这里是按所占文档的权重排列)的信息，；i.get_document().get_data()返回含有匹配单词的文档内容。

好了，下面我们看看结果：

测试数据，在这里是很少的，仅仅有四条doc；

可以的话，下次测试多一些的数据，看看速度如何。

整个测试项目下载地址：

http://download.csdn.net/detail/zengraoli/5791047