-
Notifications
You must be signed in to change notification settings - Fork 0
/
SAR_lib.py
1213 lines (911 loc) · 40.3 KB
/
SAR_lib.py
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
376
377
378
379
380
381
382
383
384
385
386
387
388
389
390
391
392
393
394
395
396
397
398
399
400
401
402
403
404
405
406
407
408
409
410
411
412
413
414
415
416
417
418
419
420
421
422
423
424
425
426
427
428
429
430
431
432
433
434
435
436
437
438
439
440
441
442
443
444
445
446
447
448
449
450
451
452
453
454
455
456
457
458
459
460
461
462
463
464
465
466
467
468
469
470
471
472
473
474
475
476
477
478
479
480
481
482
483
484
485
486
487
488
489
490
491
492
493
494
495
496
497
498
499
500
501
502
503
504
505
506
507
508
509
510
511
512
513
514
515
516
517
518
519
520
521
522
523
524
525
526
527
528
529
530
531
532
533
534
535
536
537
538
539
540
541
542
543
544
545
546
547
548
549
550
551
552
553
554
555
556
557
558
559
560
561
562
563
564
565
566
567
568
569
570
571
572
573
574
575
576
577
578
579
580
581
582
583
584
585
586
587
588
589
590
591
592
593
594
595
596
597
598
599
600
601
602
603
604
605
606
607
608
609
610
611
612
613
614
615
616
617
618
619
620
621
622
623
624
625
626
627
628
629
630
631
632
633
634
635
636
637
638
639
640
641
642
643
644
645
646
647
648
649
650
651
652
653
654
655
656
657
658
659
660
661
662
663
664
665
666
667
668
669
670
671
672
673
674
675
676
677
678
679
680
681
682
683
684
685
686
687
688
689
690
691
692
693
694
695
696
697
698
699
700
701
702
703
704
705
706
707
708
709
710
711
712
713
714
715
716
717
718
719
720
721
722
723
724
725
726
727
728
729
730
731
732
733
734
735
736
737
738
739
740
741
742
743
744
745
746
747
748
749
750
751
752
753
754
755
756
757
758
759
760
761
762
763
764
765
766
767
768
769
770
771
772
773
774
775
776
777
778
779
780
781
782
783
784
785
786
787
788
789
790
791
792
793
794
795
796
797
798
799
800
801
802
803
804
805
806
807
808
809
810
811
812
813
814
815
816
817
818
819
820
821
822
823
824
825
826
827
828
829
830
831
832
833
834
835
836
837
838
839
840
841
842
843
844
845
846
847
848
849
850
851
852
853
854
855
856
857
858
859
860
861
862
863
864
865
866
867
868
869
870
871
872
873
874
875
876
877
878
879
880
881
882
883
884
885
886
887
888
889
890
891
892
893
894
895
896
897
898
899
900
901
902
903
904
905
906
907
908
909
910
911
912
913
914
915
916
917
918
919
920
921
922
923
924
925
926
927
928
929
930
931
932
933
934
935
936
937
938
939
940
941
942
943
944
945
946
947
948
949
950
951
952
953
954
955
956
957
958
959
960
961
962
963
964
965
966
967
968
969
970
971
972
973
974
975
976
977
978
979
980
981
982
983
984
985
986
987
988
989
990
991
992
993
994
995
996
997
998
999
1000
#coding: utf-8
import json
from pickle import FALSE
from nltk.stem.snowball import SnowballStemmer
import os
import re
#Algoritmica
from spellsuggest import SpellSuggester
from spellsuggest import TrieSpellSuggester
class SAR_Project:
"""
Prototipo de la clase para realizar la indexacion y la recuperacion de noticias
Preparada para todas las ampliaciones:
parentesis + multiples indices + posicionales + stemming + permuterm + ranking de resultado
Se deben completar los metodos que se indica.
Se pueden añadir nuevas variables y nuevos metodos
Los metodos que se añadan se deberan documentar en el codigo y explicar en la memoria
"""
# lista de campos, el booleano indica si se debe tokenizar el campo
# NECESARIO PARA LA AMPLIACION MULTIFIELD
fields = [("title", True), ("date", False),
("keywords", True), ("article", True),
("summary", True)]
# numero maximo de documento a mostrar cuando self.show_all es False
SHOW_MAX = 100
def __init__(self):
"""
Constructor de la classe SAR_Indexer.
NECESARIO PARA LA VERSION MINIMA
Incluye todas las variables necesaria para todas las ampliaciones.
Puedes añadir más variables si las necesitas
"""
self.index = {} # hash para el indice invertido de terminos --> clave: termino, valor: posting list.
# Si se hace la implementacion multifield, se pude hacer un segundo nivel de hashing de tal forma que:
# self.index['title'] seria el indice invertido del campo 'title'.
self.stemmindex = {} # hash para el índice invertido de stems --> clave: stem, valor: posting list.
self.sindex = {} # hash para el indice invertido de stems --> clave: stem, valor: lista con los terminos que tienen ese stem
self.ptindex = {} # hash para el indice permuterm.
self.docs = {} # diccionario de documentos --> clave: entero(docid), valor: ruta del fichero.
self.weight = {} # hash de terminos para el pesado, ranking de resultados. puede no utilizarse
self.news = {} # hash de noticias --> clave entero (newid), valor: la info necesaria para diferenciar la noticia dentro de su fichero (doc_id y posición dentro del documento)
self.tokenizer = re.compile("\W+") # expresion regular para hacer la tokenizacion
self.stemmer = SnowballStemmer('spanish') # stemmer en castellano
self.show_all = False # valor por defecto, se cambia con self.set_showall()
self.show_snippet = False # valor por defecto, se cambia con self.set_snippet()
self.use_stemming = False # valor por defecto, se cambia con self.set_stemming()
self.use_ranking = False # valor por defecto, se cambia con self.set_ranking()
self.tam_not = {} # hash que indica el tamaño en tokens de cada noticia, clave: termino, noticia: num_tokens
#Variable añadida en Algoritmica
self.use_approximation = False # indica si se usará aproximación de terminos por distancias, se cambia con self.set_approximation()
self.IdDoc = 0 # numero de documento (archivo .json)
self.newid = 0 # numero de noticia
###############################
### ###
### CONFIGURACION ###
### ###
###############################
def set_showall(self, v):
"""
Cambia el modo de mostrar los resultados.
input: "v" booleano.
UTIL PARA TODAS LAS VERSIONES
si self.show_all es True se mostraran todos los resultados el lugar de un maximo de self.SHOW_MAX, no aplicable a la opcion -C
"""
self.show_all = v
def set_snippet(self, v):
"""
Cambia el modo de mostrar snippet.
input: "v" booleano.
UTIL PARA TODAS LAS VERSIONES
si self.show_snippet es True se mostrara un snippet de cada noticia, no aplicable a la opcion -C
"""
self.show_snippet = v
def set_stemming(self, v):
"""
Cambia el modo de stemming por defecto.
input: "v" booleano.
UTIL PARA LA VERSION CON STEMMING
si self.use_stemming es True las consultas se resolveran aplicando stemming por defecto.
"""
self.use_stemming = v
def set_ranking(self, v):
"""
Cambia el modo de ranking por defecto.
input: "v" booleano.
UTIL PARA LA VERSION CON RANKING DE NOTICIAS
si self.use_ranking es True las consultas se mostraran ordenadas, no aplicable a la opcion -C
"""
self.use_ranking = v
#AGREGADO EN ALGORITMICA
def set_approximation(self, v, distance, threshold):
"""
Activa o desactiva la aproximación de términos
input: "v" booleano.
"distance" algoritmo de distancia entre cadenas a usar (string)
"threshold" distancia máxima a considerar entre cadenas (int)
si self.use_approximation es True los términos de las consultas podrán aproximarse a otros similares
por algoritmos de distancia si no se encuentran resultados de esos términos
"""
self.use_approximation = v
self.approximation_distance = distance
self.approximation_threshold = threshold
###############################
### ###
### PARTE 1: INDEXACION ###
### ###
###############################
def index_dir(self, root, **args):
"""
NECESARIO PARA TODAS LAS VERSIONES
Recorre recursivamente el directorio "root" e indexa su contenido
los argumentos adicionales "**args" solo son necesarios para las funcionalidades ampliadas
"""
self.multifield = args['multifield']
self.positional = args['positional']
self.stemming = args['stem']
self.permuterm = args['permuterm']
self.approximation = args['approximation'] #Añadido en algoritmica
self.use_trie = args['trie'] #Añadido en algoritmica
for dir, subdirs, files in os.walk(root):
for filename in files:
if filename.endswith('.json'):
fullname = os.path.join(dir, filename)
self.index_file(fullname)
if self.stemming is True:
self.make_stemming()
self.make_inverted_stems()
#Algoritmica
if self.approximation is True:
if self.multifield is True:
if self.use_trie:
self.spellsuggester = TrieSpellSuggester(vocab=self.index['article'].keys())
else:
self.spellsuggester = SpellSuggester(vocab=self.index['article'].keys())
else:
if self.use_trie:
self.spellsuggester = TrieSpellSuggester(vocab=self.index.keys())
else:
self.spellsuggester = SpellSuggester(vocab=self.index.keys())
##########################################
## COMPLETAR PARA FUNCIONALIDADES EXTRA ##
##########################################
def index_file(self, filename):
"""
NECESARIO PARA TODAS LAS VERSIONES
Indexa el contenido de un fichero.
Para tokenizar la noticia se debe llamar a "self.tokenize"
Dependiendo del valor de "self.multifield" y "self.positional" se debe ampliar el indexado.
En estos casos, se recomienda crear nuevos metodos para hacer mas sencilla la implementacion
input: "filename" es el nombre de un fichero en formato JSON Arrays (https://www.w3schools.com/js/js_json_arrays.asp).
Una vez parseado con json.load tendremos una lista de diccionarios, cada diccionario se corresponde a una noticia
"""
IdNot = 0
with open(filename) as fh:
jlist = json.load(fh)
self.docs[self.IdDoc]=filename
for n in jlist: #Para cada noticia del documento
if self.multifield is True: #Multifield está activado, coger resto de campos
for tupla in self.fields:
(campo,tokenizar) = tupla
content = n[campo]
self.tam_not.setdefault(campo,{})
self.tam_not[campo].setdefault(self.newid,len(content))
if tokenizar is True:
self.index.setdefault(campo,{})
tokens = self.tokenize(content) #Tokenizamos los términos
if self.positional is True: #Creamos el indice posicional
self.make_positionals(tokens,campo)
else:
for tt in tokens:
self.index[campo].setdefault(tt,[])
#Comprobamos que el termino no se repite
if self.newid not in self.index[campo][tt]:
self.index[campo].setdefault(tt,[]).append(self.newid)
else:
self.index.setdefault(campo,{})
self.index[campo].setdefault(content,[])
if self.newid not in self.index[campo][content]:
self.index[campo][content].append(self.newid)
else:
content = n['article']
self.tam_not.setdefault(self.newid,len(content))
tokens = self.tokenize(content) #Tokenizamos los términos
if self.positional is True:
self.make_positionals(tokens)
else:
for tt in tokens:
self.index.setdefault(tt,[])
if self.newid not in self.index[tt]:
excluidos = {"title","date","keywords","summary"}
if tt not in excluidos:
self.index.setdefault(tt,[]).append(self.newid)
self.news.setdefault(self.newid,[]).append((self.IdDoc,IdNot)) #Para cada noticia, indica el documento al que pertenece y su posición en el mismo
self.newid += 1
IdNot += 1
self.IdDoc += 1
#################
### COMPLETAR ###
#################
def tokenize(self, text):
"""
NECESARIO PARA TODAS LAS VERSIONES
Tokeniza la cadena "texto" eliminando simbolos no alfanumericos y dividiendola por espacios.
Puedes utilizar la expresion regular 'self.tokenizer'.
params: 'text': texto a tokenizar
return: lista de tokens
"""
return self.tokenizer.sub(' ', text.lower()).split()
def make_positionals(self, tokens, campo='article'):
"""
Crea los posicionales de los tokens dentro de cada id de noticia
"""
contador = 0
if self.multifield is True:
for tt in tokens:
self.index[campo].setdefault(tt,{}).setdefault(self.newid,[])
if contador not in self.index[campo][tt][self.newid]:
#Agregamos el id de noticia en el que aparece el token
self.index[campo][tt][self.newid].append(contador)
contador += 1
else:
for tt in tokens:
self.index.setdefault(tt,{}).setdefault(self.newid,[])
if contador not in self.index[tt][self.newid]:
#Agregamos el id de noticia en el que aparece el token
self.index[tt][self.newid].append(contador)
contador += 1
def make_stemming(self):
"""
NECESARIO PARA LA AMPLIACION DE STEMMING.
Crea el indice de stemming (self.stemmindex) para los terminos de todos los indices.
self.stemmer.stem(token) devuelve el stem del token
"""
if self.multifield is True:
for campo in self.index:
if campo != "date":
self.stemmindex.setdefault(campo,{})
for token in self.index[campo]:
stem = self.stemmer.stem(token)
self.stemmindex[campo].setdefault(stem,[])
for idnot in self.index[campo][token]: #Va copiando el reverse posting del token al stem
if idnot not in self.stemmindex[campo][stem]:
self.stemmindex[campo][stem].append(idnot)
self.stemmindex[campo][stem].sort()
else:
self.stemmindex.setdefault(campo,{})
self.stemmindex[campo] = self.index[campo]
else:
for token in self.index:
stem = self.stemmer.stem(token)
self.stemmindex.setdefault(stem,[])
for idnot in self.index[token]: #Va copiando el reverse posting del token al stem
if idnot not in self.stemmindex[stem]:
self.stemmindex[stem].append(idnot)
self.stemmindex[stem].sort()
####################################################
## COMPLETAR PARA FUNCIONALIDAD EXTRA DE STEMMING ##
####################################################
def make_inverted_stems(self):
"""
Crea un diccionario (self.sindex) para relacionar los stems son sus términos´
"""
if self.multifield is True:
for campo in self.index:
if campo != 'date':
for term in self.index[campo]:
stem = self.stemmer.stem(term)
self.sindex.setdefault(stem,[])
if term not in self.sindex[stem]:
self.sindex[stem].append(term)
else:
for term in self.index[campo]:
self.sindex.setdefault(term,term)
else:
for term in self.index:
stem = self.stemmer.stem(term)
self.sindex.setdefault(stem,[])
if term not in self.sindex[stem]:
self.sindex[stem].append(term)
def make_permuterm(self):
"""
NECESARIO PARA LA AMPLIACION DE PERMUTERM
Crea el indice permuterm (self.ptindex) para los terminos de todos los indices.
"""
pass
####################################################
## COMPLETAR PARA FUNCIONALIDAD EXTRA DE STEMMING ##
####################################################
def show_stats(self):
"""
NECESARIO PARA TODAS LAS VERSIONES
Muestra estadisticas de los indices
"""
########################################
## COMPLETAR PARA TODAS LAS VERSIONES ##
########################################
print("========================")
if self.multifield:
print("Number of indexed days: %d" % len(self.index["date"]))
print("-------------------------")
print("Number of indexed news: %d" % len(self.news))
print("-------------------------")
print("TOKENS")
for t in self.index:
print("#of tokens in %s: %d" % (t, len(self.index[t])))
print("-------------------------")
print("PERMUTERMS")
for p in self.ptindex:
print("#of permuterms in %s: %d" % (p, len(self.ptindex[p])))
print("-------------------------")
print("STEMS")
for s in self.stemmindex:
print("#of stems in %s: %d" % (s, len(self.stemmindex[s])))
print("-------------------------")
post = " "
if self.positional == []:
post=" NOT "
print("Positional queries are%sallowed" % (post))
###################################
### ###
### PARTE 2.1: RECUPERACION ###
### ###
###################################
def solve_query(self, query, prev={}):
"""
NECESARIO PARA TODAS LAS VERSIONES
Resuelve una query.
Debe realizar el parsing de consulta que sera mas o menos complicado en funcion de la ampliacion que se implementen
param: "query": cadena con la query
"prev": incluido por si se quiere hacer una version recursiva. No es necesario utilizarlo.
return: posting list con el resultado de la query
"""
posts = {}
operadores = []
if query is None or len(query) == 0:
return []
i = 0
lista_query = re.split(" +(AND|OR) +",query)
for term in lista_query:
if term not in ['AND','OR']:
if term.find('NOT ') == 0: #Es un NOT
string = term.split(' ')[1]
aux = string.split(":")
if len(aux) > 1:
string = aux[1]
campo = aux[0]
else:
campo = "article"
if string.find('"') == 0: #Positional
string = string[1:len(string) - 1]
posts[i] = self.reverse_posting(self.get_positionals(string, campo)) #Calculamos el "NOT posicional"
else:
posts[i] = self.reverse_posting(self.get_posting(string, campo)) #Calculamos el "NOT term"
i+=1
else:
campo = "article"
aux = term.split(":")
if len(aux) > 1:
term = aux[1]
campo = aux[0]
if term.find('"') == 0: #Positional
term = term[1:len(term) - 1]
posts[i] = self.get_positionals(term, campo) #Calculamos el posting posicional
else:
posts[i] = self.get_posting(term,campo) #Calculamos la posting list del term
i+=1
else:
operadores.append(term)
i = 0
for op in operadores:
if op == 'AND':
posts[i+1] = self.and_posting(posts[i],posts[i+1])
i+=1
else: #Es un OR
posts[i+1] = self.or_posting(posts[i],posts[i+1])
i+=1
return posts[i]
########################################
## COMPLETAR PARA TODAS LAS VERSIONES ##
########################################
def get_posting(self, term, field='article', positional=False):
"""
NECESARIO PARA TODAS LAS VERSIONES
Devuelve la posting list asociada a un termino.
Dependiendo de las ampliaciones implementadas "get_posting" puede llamar a:
- self.get_positionals: para la ampliacion de posicionales
- self.get_permuterm: para la ampliacion de permuterms
- self.get_stemming: para la amplaicion de stemming
param: "term": termino del que se debe recuperar la posting list.
"field": campo sobre el que se debe recuperar la posting list, solo necesario si se hace la ampliacion de multiples indices
return: posting list
"""
########################################
## COMPLETAR PARA TODAS LAS VERSIONES ##
########################################
res = []
term = term.lower()
if self.positional is True:
if self.multifield is True:
#Usamos positionals y multifield
if self.use_stemming is True and positional is False:
res = self.get_stemming(term, field)
else:
if field == 'date':
if self.index[field].get(term) is not None:
res = self.index[field].get(term)
else:
res = []
else:
if term in list(self.index[field].keys()):
if list(self.index[field][term].keys()) is not None:
res = list(self.index[field][term].keys())
else:
res = []
else: res = []
else: #No usamos multifield pero sí positionals
if self.use_stemming is True:
res = self.get_stemming(term)
else:
if self.index.get(term) is not None:
res = list(self.index[term].keys())
else:
res = []
else: #No usamos positionals
if self.multifield is True:
if self.use_stemming is True:
res = self.get_stemming(term, field)
else:
if self.index[field].get(term) is not None:
res = self.index[field].get(term)
else:
res = []
else:
if self.use_stemming is True:
res = self.get_stemming(term)
else:
if self.index.get(term) is not None:
res = self.index.get(term)
else:
res = []
#Algoritmica
if self.use_approximation is True and res == []:
if self.positional:
if self.stemming is False:
if self.multifield is True:
lista = self.spellsuggester.suggest(term, self.approximation_distance,
threshold=self.approximation_threshold)
for palabra in lista:
res = self.or_posting(res, list(self.index[field][palabra].keys()))
else:
lista = self.spellsuggester.suggest(term, self.approximation_distance,
self.approximation_threshold)
for palabra in lista:
res = self.or_posting(res, list(self.index[palabra].keys()))
else:
if self.stemming is False:
if self.multifield is True:
lista = self.spellsuggester.suggest(term, self.approximation_distance, threshold=self.approximation_threshold)
for palabra in lista:
res = self.or_posting(res, self.index[field][palabra])
else:
lista = self.spellsuggester.suggest(term, self.approximation_distance , self.approximation_threshold)
for palabra in lista:
res = self.or_posting(res,self.index[palabra])
return res
def get_positionals(self, terms, field='article'):
"""
NECESARIO PARA LA AMPLIACION DE POSICIONALES
Devuelve la posting list asociada a una secuencia de terminos consecutivos.
param: "terms": lista con los terminos consecutivos para recuperar la posting list.
"field": campo sobre el que se debe recuperar la posting list, solo necesario se se hace la ampliacion de multiples indices
return: posting list
"""
res = []
postings = [] #Contendrá las noticias en las que aparecen todos los términos
lista_terms = terms.split(' ')
for term in lista_terms:
postings.append(self.get_posting(term,field,True))
i=0
while i < len(lista_terms)-1:
postings[i+1] = self.and_posting(postings[i],postings[i+1])
i+=1
"""
Para cada noticia:
Coger las posiciones de cada termino i y poner en pos[i]
Hacer un AND entre pos[0] y pos[i] restando i a cada elemento (por la diferencia en posicion por palabras)
"""
if postings[i] is not None and not self.use_approximation:
for noticia in postings[i]:
pos = []
for term in lista_terms:
if self.multifield is True:
pos.append(list(self.index[field][term][noticia]))
else:
pos.append(self.index[term][noticia])
j=0
while j < len(pos):
pos[j] = [x-j for x in pos[j]]
j+=1
j=0
while j < len(pos)-1:
pos[j+1] = self.and_posting(pos[j],pos[j+1])
j+=1
if len(pos[j]) != 0:
res.append(noticia)
elif postings[i] is not None:
res.extend(postings[i])
if res is None:
return []
else:
return res
########################################################
## COMPLETAR PARA FUNCIONALIDAD EXTRA DE POSICIONALES ##
########################################################
def get_stemming(self, term, field='article'):
"""
NECESARIO PARA LA AMPLIACION DE STEMMING
Devuelve la posting list asociada al stem de un termino.
param: "term": termino para recuperar la posting list de su stem.
"field": campo sobre el que se debe recuperar la posting list, solo necesario se se hace la ampliacion de multiples indices
return: posting list
"""
if self.stemming is False:
print("Stemming Desactivado")
exit()
if self.multifield is True:
stem = self.stemmer.stem(term)
if field == "date":
return self.stemmindex[field].get(stem)
else:
if self.stemmindex[field].get(stem) is not None:
return self.stemmindex[field].get(stem)
else:
res = []
else:
stem = self.stemmer.stem(term)
if self.stemmindex.get(stem) is not None:
return self.stemmindex.get(stem)
else:
res = []
def get_permuterm(self, term, field='article'):
"""
NECESARIO PARA LA AMPLIACION DE PERMUTERM
Devuelve la posting list asociada a un termino utilizando el indice permuterm.
param: "term": termino para recuperar la posting list, "term" incluye un comodin (* o ?).
"field": campo sobre el que se debe recuperar la posting list, solo necesario se se hace la ampliacion de multiples indices
return: posting list
"""
##################################################
## COMPLETAR PARA FUNCIONALIDAD EXTRA PERMUTERM ##
##################################################
def reverse_posting(self, p):
"""
NECESARIO PARA TODAS LAS VERSIONES
Devuelve una posting list con todas las noticias excepto las contenidas en p.
Util para resolver las queries con NOT.
param: "p": posting list
return: posting list con todos los newid exceptos los contenidos en p
"""
posting = []
i = 0
while ((i < len(self.news))):
if i not in p:
posting.append(i)
i +=1
return posting
def and_posting(self, p1, p2):
"""
NECESARIO PARA TODAS LAS VERSIONES
Calcula el AND de dos posting list de forma EFICIENTE
param: "p1", "p2": posting lists sobre las que calcular
return: posting list con los newid incluidos en p1 y p2
"""
posting = []
i = 0
j = 0
if p1 is None and p2 is None: res = []
while ((i < len(p1)) & (j < len(p2))):
if p1[i] == p2[j]:
posting.append(p2[j])
i += 1
j += 1
elif p1[i] < p2[j]:
i += 1
else: j += 1
return posting
def or_posting(self, p1, p2):
"""
NECESARIO PARA TODAS LAS VERSIONES
Calcula el OR de dos posting list de forma EFICIENTE
param: "p1", "p2": posting lists sobre las que calcular
return: posting list con los newid incluidos de p1 o p2
"""
posting = []
i = 0
j = 0
while ((i < len(p1)) & (j < len(p2))):
if p1[i] == p2[j]:
posting.append(p1[i])
i = i+1
j = j+1
elif p1[i] < p2[j]:
posting.append(p1[i])
i = i+1
else:
posting.append(p2[j])
j = j+1
while (i < len(p1)):
posting.append(p1[i])
i += 1
while (j < len(p2)):
posting.append(p2[j])
j += 1
return posting
#####################################
### ###
### PARTE 2.2: MOSTRAR RESULTADOS ###
### ###
#####################################
def solve_and_count(self, query):
"""
NECESARIO PARA TODAS LAS VERSIONES
Resuelve una consulta y la muestra junto al numero de resultados
param: "query": query que se debe resolver.
return: el numero de noticias recuperadas, para la opcion -T
"""
result = self.solve_query(query)
print("%s\t%d" % (query, len(result)))
return len(result) # para verificar los resultados (op: -T)
def solve_and_show(self, query):
"""
NECESARIO PARA TODAS LAS VERSIONES
Resuelve una consulta y la muestra informacion de las noticias recuperadas.
Consideraciones:
- En funcion del valor de "self.show_snippet" se mostrara una informacion u otra.
- Si se implementa la opcion de ranking y en funcion del valor de self.use_ranking debera llamar a self.rank_result
param: "query": query que se debe resolver.
return: el numero de noticias recuperadas, para la opcion -T
"""
result = self.solve_query(query)
if self.show_snippet is True or self.use_ranking is True: #Generamos snippets en orden de result
terms = []
lista_query = re.split(" +(AND|OR) +",query)
for term in lista_query:
if term not in ['AND','OR']:
if term.find('NOT ') != 0: #Si no hay un not en el término
terms.append(term)
if self.show_snippet is True and len(result)>0:
snippets = self.create_snippet(result,terms)
if self.use_ranking is True and len(result)>0:
result = self.rank_result(result,terms)
print("========================")
print("Query: '%s'" % query)
print("Number of results: %d" % len(result))
i=1
for id in result:
(doc,position) = self.news[id][0]
filename = self.docs[doc]
with open(filename) as fh:
jlist = json.load(fh)
jlist = jlist[position]
fecha = jlist['date']
title = jlist['title']
keywords = jlist['keywords']
if self.use_ranking is True and len(result)>0:
print("#%d \t (%d)\t (%d)\t (%s) %s \t (%s) " % (i, doc, self.weight[id], fecha, title, keywords))
else:
print("#%d \t (%d)\t (0)\t (%s) %s \t (%s) " % (i, doc, fecha, title, keywords))
if self.show_snippet is True:
for snippet in snippets[id]:
print("\t\t %s" % snippet)
i+=1
if i > self.SHOW_MAX and self.show_all == False:
break
print("========================")
return len(result)
########################################
## COMPLETAR PARA TODAS LAS VERSIONES ##
########################################
def func_sort(self,noticia):
"""
Devuelve las puntuaciones
param: "noticia": número de noticia
"""
return self.weight[noticia]
def create_snippet(self, posts, terms):
"""
Crea un snippet de los términos que aparecen en la query y en el documento
param: "posts": posting list de los documentos que coinciden con la query
"terms": términos que aparecen en la query
"""
lista_snippets = {}
positional = False
for noticia in posts:
(doc_id, posicion) = self.news[noticia][0]
f = self.docs[doc_id]
lista_snippets.setdefault(noticia,[])
with open(f) as fh:
jlist = json.load(fh)
news = jlist[posicion]
for term in terms:
field = 'article' #Valor por defecto
if term.find('"')==0:
#Es posicional
positional = True
term = term[1:len(term)-1]
else:
#No es posici
positional = False
aux = term.split(":")
if len(aux) > 1:
#Tiene keywords
term = aux[1]
field = aux[0]
if self.use_stemming is True and positional is False:
stem = self.stemmer.stem(term)
if len(stem) == len(term):
pattern = re.compile(r'\b({0})\b'.format(term), flags=re.IGNORECASE) #La longitud del stem es la misma, puede que solo quite acentos
else:
pattern = re.compile(r'\b({0})'.format(stem), flags=re.IGNORECASE) #Puede no haber espacio al final al ser stem
else:
pattern = re.compile(r'\b({0})\b'.format(term), flags=re.IGNORECASE)
#Separamos la palabra del resto del texto
if self.use_stemming:
words = re.split(pattern, self.normalize(news[field]))
else:
words = re.split(pattern, news[field])
if len(words) > 1: