Ce guide explique comment configurer et exécuter le moteur de recherche basé sur des documents XML.
- Python 3.7.10 est recommandé pour ce projet.
- Créez un environnement virtuel: Ceci est recommandé pour isoler les dépendances du projet.
python3 -m venv venv - Activez l'environnement virtuel:
source venv/bin/activate - Installez les dépendances requises à partir du fichier
requirements.txt.pip install -r requirements.txt - Lancez le projet:
python mvc.py
Un fichier index.json est disponible pour vous permettre de configurer les chemins utilisés par le moteur.
index_path: chemin vers l'index (il est recommandé de ne pas le modifier).folder_path: chemin vers le dossier contenant les fichiers XML. Ce chemin peut également être modifié via l'interface utilisateur.
Note: Le moteur est uniquement compatible avec des fichiers XML bien formés. Utilisez le script sgml_to_xml pour convertir des fichiers SGML en XML si nécessaire.
Les documents XML sont indexés à l'aide de la classe Indexer présente dans indexer.py. Cette classe est conçue de manière générique et peut potentiellement être utilisée pour indexer différents types de documents. Les fonctionnalités incluent:
- Création d'une posting list.
- Calcul du TF-IDF.
- Normalisation.
- Génération d'une stop-list basée sur la fréquence des documents.
Il existe une fonction nommée index_xml() dans indexer.py qui utilise la classe Indexer spécifiquement pour l'indexation de documents XML. Les balises XML sont ignorées pendant l'indexation.
- Calcul de la similarité cosinus entre la requête et les documents.
- Classement des documents en fonction de la similarité.
Cette méthode considère que la pertinence d'un document augmente lorsque les termes de la requête sont plus proches les uns des autres dans le document.
- Sélection des documents avec la plus petite distance minimale entre les termes de la requête.
Cette approche fusionne les scores de similarité cosinus et de distance minimale pour obtenir un équilibre entre les deux critères.
Si une requête standard ne renvoie aucun résultat, le moteur déclenche une correction automatique qui tente de renvoyer des résultats pertinents malgré les erreurs potentielles dans la requête.
Le caractère * peut être utilisé entre les termes pour étendre la requête à toutes les extensions possibles du terme.
Le projet utilise la bibliothèque tkinter pour développer l'interface graphique, permettant une interaction facile avec le moteur de recherche.
Veillez à ce que les chemins dans index.json soient correctement configurés avant de démarrarrer le moteur. Assurez-vous également que tous les fichiers XML soient bien formés et placés dans le dossier spécifié par folder_path.