Return to updateRS3.pl CVS log

Up to [Local Repository] / db / prgsrc

stopslova

    1: #!/usr/bin/perl -w
    2: 
    3: =head1 NAME
    4: 
    5: updateRS.pl - Скрипт для занесения в таблицы русского поиска базы 
    6: B<$base> информации о вопросах. Использует DB_File.
    7: 
    8: =head1 SYNOPSIS
    9: 
   10: updateRS1.pl Questions_per_cicle cicles_number
   11: 
   12: updateRS.pl Questions_per_cicle
   13: 
   14: updateRS.pl
   15: 
   16: 
   17: =head1 DESCRIPTION
   18: 
   19: Скрипт ищет в таблице Questions вопросы с нулевым ProcessedBySearch,
   20: добавляет информацию в таблицы word2question, nests, nf. Поле 
   21: ProcessedBySearch устанавливается в 1. Обрабатывает 
   22: Questions_per_cicle*cicles_number вопросов, сбрасывая 
   23: информацию в базу каждые Questions_per_cicle вопросов.
   24: Значения по умолчанию:
   25: Questions_per_cicle=500;
   26: cicles_number=1.
   27: 
   28: Создание в рабочем каталоге файла RS_pause прерывает работу с сохранением 
   29: хэшей, это означает, что при следующем запуске скрипт продолжит работу с места
   30: остановки (обнулится только счётчик обработанных вопросов). 
   31: Продолжить крайне желательно, потому что у обработанные вопросах 
   32: уже установлен флаг ProcessedBySearch, но реально информация о них в базу
   33: ещё не занесена.
   34: 
   35: Создание в рабочем каталоге файла RS_stop инициирует процесс завершения 
   36: работы скрипта, с предварительным занесением информации об обработанных 
   37: вопросах в базу.
   38: 
   39: Оба файла убиваются по окончании работы.
   40: 
   41: =head1 AUTHOR
   42: 
   43: Роман Семизаров
   44: 
   45: 
   46: =cut
   47: 
   48: 
   49: 
   50: use locale;
   51: use DBI;
   52: use POSIX qw (locale_h);
   53: use lib "../lib";
   54: use chgkfiles;
   55: use dbchgk;
   56: open (STDERR,">errors");
   57: my $initime=time;
   58: open TIME, ">time"; 
   59: do "common.pl";
   60: do "chgk.cnf";
   61: 
   62: use DB_File;
   63: 
   64: 
   65: $stopslovo{'В'}=1;
   66: $stopslovo{'С'}=1;
   67: $stopslovo{'ИЗ'}=1;
   68: $stopslovo{'НА'}=1;
   69: $stopslovo{'И'}=1;
   70: $stopslovo{'К'}=1;
   71: 
   72: 
   73: $qlimit=shift||500;
   74: $times=shift||1;
   75: 
   76: die "Undefined \$maxwsize! check your chgk.cnf" unless $maxwsize;
   77: 
   78: require "check.pl";
   79: 
   80: open (STDERR,">$stderr") if $stderr;
   81: 
   82: 
   83: open (UNKNOWN,">$unknown");
   84: 
   85: 
   86:           
   87: my $nf;
   88: 
   89: #open WARN, ">$warnings";
   90: 
   91: #%forbidden=checktable('equalto')? getequalto : ();
   92: 
   93: 
   94: if ((uc 'а') ne 'А') {die "!Koi8-r locale not installed!\n"};
   95: 
   96: getquestions(QuestionId, Question, Answer, Comments, Authors, Sources,"ProcessedBySearch IS NULL");
   97: 
   98: 
   99: 
  100: 
  101: tie %words, 'DB_File', 'words.tmp';
  102: 
  103: if (!(scalar keys %words))
  104: {
  105:    print "Loading dictionaries\n";
  106:    die "No dictionaries! Check your chgk.cnf" unless scalar @dictionaries;
  107:    foreach $d(@dictionaries)
  108:    {
  109:      print "Loading $d\n";
  110:      open (DICT, $d) || print "              Not found\n";
  111:      while ( <DICT> )
  112:      {
  113:      	chomp;
  114:      	s/\s*$//;
  115:        	($aa,$b)=split(/\//);
  116:        	$aa=~tr/ёЁ/еЕ/;
  117:     	$a= uc $aa;
  118:     	$words{$a}.=$b || "!";
  119:      }
  120:      close(DICT);
  121:   }
  122: }
  123: 
  124: die "No dictionaries found! Check your chgk.cnf" unless scalar keys %words;
  125: 
  126: 
  127: 
  128: print TIME "\t\t".(time-$initime)."\n";
  129: 
  130: for my $commonI(1..$times)
  131: {
  132: 
  133: 
  134: 
  135: 
  136: tie %nf, 'DB_File', 'nf.tmp';
  137: tie %nfnumber, 'DB_File', 'nfnumber.tmp';
  138: tie %newnf, 'DB_File', 'newnf.tmp';
  139: tie %neww2k, 'DB_File', 'neww2k.tmp';
  140: 
  141: 
  142: 
  143: if (!((scalar keys %nf)||(scalar keys %newnf)))
  144: {
  145:    print "loading nests\n";
  146:    %nf=getnests;
  147:    %nfnumber=getnfnumbers;
  148: }
  149:                    
  150: 
  151: 
  152: print "Getting words...\n";
  153: 
  154: getquestions(QuestionId, Question, Answer, Comments, Authors, Sources,"ProcessedBySearch IS NULL");
  155: $sch=0;
  156: while ((++$sch<=$qlimit) && (($id, @ss) = getrow, $id)) 
  157:                              # берём по одному вопросу
  158:                              # и вешаем в массив, индексы которого -- словоформы,
  159:                              # а значения -- списки вопросов. 
  160: {
  161: 
  162: 
  163:    if (-e "RS_pause") {unlink("RS_pause"); exit}
  164:    if (-e "RS_stop")  {unlink("RS_stop"); last}
  165:    print "$sch $id\n" ;#unless (++$sch % 1);
  166:    searchmark($id);
  167:    if ($forbidden{$id}) {next};
  168:    foreach $fieldnumber (0..$#ss) #перебираем поля
  169:    {
  170:       $text=$ss[$fieldnumber];
  171:       next unless $text;
  172:       $text=~tr/ёЁ/еЕ/;
  173:       $text=~s/(${RLrl})p(${RLrl})/$1p$2/gom;
  174:       $text=~s/p(${RLrl})/р$1/gom;
  175:       $text=~s/(${RLrl})p/$1р/gom;
  176:       $text=~s/\s+/ /gmo;
  177:       @list= $text=~m/(?:(?:${RLrl})+)|(?:[A-Za-z0-9]+)/gom;
  178: 
  179: foreach $wordnumber(0..$#list)
  180:       {
  181:            $word=uc $list[$wordnumber];
  182:            next if length $word>$maxwsize;
  183:            next if $stopslovo{$word};
  184:            if (my $n=$nf{$word}||$newnf{$word}) 
  185:            {
  186:                 @n= split ' ',$n;
  187:                 $nfkvo{$_}++ foreach @n;
  188:                 $neww2k{$_}.=packword($fieldnumber, $id,$wordnumber%256)
  189:                      foreach (@n);
  190:            }
  191:            else {
  192:              if ($word=~/^${RLrl}+$/o){ # Русское слово
  193:             # проанализировать по таблице аффиксов, 
  194:             # проверить наличие начальных форм в 
  195:             # nf, а если таких нет, то 
  196:             # и по словарю. 
  197:               
  198:                $nf=&checkit(uc $word,\%words);
  199:                if (!$nf) {
  200:                            $nf=(uc $word)."/!";
  201:                            print UNKNOWN "$nf\n" if $unknown;
  202:                          }
  203: 
  204:               }  else {# нерусское слово
  205:                          $nf=(uc $word)."/!";
  206:                          print UNKNOWN "$nf\n" if $unknown;
  207:                       }
  208: 
  209:                foreach $n (split ' ', $nf)
  210:                {
  211:                    ($f,$flag)=split '/', $n;
  212:                    if ($nfnumber=$nfnumber{$f})
  213:                    {
  214:                        $newnf{$word}.=" $nfnumber";
  215:                        $nfkvo{$nfnumber}++;
  216:                        $a=\$neww2k{$nfnumber};
  217:                        $$a.=packword($fieldnumber, $id,$wordnumber);
  218:                        if (length $$a>100) {flushw2k($nfnumber)}
  219:                    }
  220:                    else 
  221:                    {
  222:                       $nfnumber=addnf(0, $f, $flag,1);
  223:                       $newnf{uc $word}.=" $nfnumber";
  224:                       $neww2k{$nfnumber}.=packword($fieldnumber, $id,$wordnumber);
  225:                    }
  226:                }
  227:            }
  228: 
  229:       }
  230:    }
  231: 
  232: }
  233: 
  234: 
  235: print "Filling word2question...\n";
  236: 
  237: foreach (keys %neww2k)
  238: { 
  239:    updateword2question($_,$neww2k{$_});
  240:    delete $neww2k{$_};
  241: }
  242: 
  243: %neww2k=();
  244: 
  245: print "Filling nf...\n";
  246: $sch=0;
  247: 
  248: incnf($_,$nfkvo{$_})  foreach (keys %nfkvo);
  249: 
  250: %nfkvo=();
  251: 
  252: print "Filling nests...\n";
  253: $sch=0;
  254: 
  255: 
  256: foreach $w (keys %newnf)
  257: {
  258:   print "$sch\n" unless (++$sch % 1000);
  259:   @nf=split ' ',$newnf{$w};
  260:   addnest($w,$_) foreach @nf;
  261: }
  262: print "$sch nests added\n";
  263: 
  264: print TIME "$commonI: \t$sch ";
  265: print TIME "\t".(time-$initime)."\n";
  266: %newnf=();
  267: 
  268: }
  269: 
  270: &untieall;
  271: 
  272: unlink "words.tmp";
  273: unlink "newnf.tmp";
  274: unlink "neww2k.tmp";
  275: unlink "nfnumber.tmp";
  276: unlink "nf.tmp";
  277: 
  278: sub flushw2k
  279: {
  280:    my ($n)=@_;
  281:    updateword2question($n,$neww2k{$n});
  282:    delete $neww2k{$_};
  283: }
  284: 
  285: sub untieall
  286: {
  287:   untie %nf;
  288:   untie %nfnumber;
  289:   untie %newnf;
  290:   untie %neww2k;
  291:   untie %words;
  292:   
  293: }
  294: