博文
Indri的dumpdoc, dumpterm, and dumpindex命令
|||
翻译自：http://sourceforge.net/p/lemur/wiki/dumpdoc,%20dumpterm,%20and%20dumpindex/
"dumpindex"工具一般可以使用户可以导出索引文件的内容、索引词项或者索引的常用统计。
注意：这些工具只在Indri索引上使用。
- dumpindex
通用语法是：
$
dumpindex <repository_path> <command> [<argument>]*
其中<repository_path>是索引文件路径，<command>是使用命令，<argument>是指命令的可用参数项。
从索引库中检索数据的命令如下：
|
命令
|
参数
|
说明
|
|
term (t)
|
Term text
|
打印词项的倒排文档信息，格式：“序号 词频 文档”
|
|
termpositions (tp)
|
Term text
|
打印词项的倒排文档信息，带位置信息，格式：“序号 词频 文档 词在文档中的位置列表”
|
|
fieldpositions (fp)
|
Field name
|
打印字段的倒排文档信息，带位置信息
|
|
expressionlist (e)
|
Expression
|
打印Indri查询表达式的倒排文档信息，带位置信息
|
|
xcount (x)
|
Expression
|
打印Indri查询表达式的出现次数
|
|
documentid (di)
|
Field, Value
|
打印字段field的value值的文档ID
|
|
documentname (dn)
|
Document ID
|
打印给定文档的文本表示字符串，一般是一个被索引文档的路径名
|
|
documenttext (dt)
|
Document ID
|
打印给定文档的文本内容
|
|
documentdata (dd)
|
Document ID
|
打印文档的完整表示（full representation），包含metadata、positions、tags、text、content等几项
|
|
documentvector (dv)
|
Document ID
|
打印文档的文档向量，包括field和terms
|
|
invlist (il)
|
(None)
|
打印所有倒排文档内容
|
|
vocabulary (v)
|
(None)
|
打印索引的词汇信息，包括词、词频(tf)、文档频率(df)
|
|
stats (s)
|
(None)
|
打印索引库的统计信息，包括总文档数、总词频、唯一词数、字段。
|
使用实例：
|
dumpindex E:indexx dv 1 #文档1的文档向量
dumpindex E:indexx s #索引统计信息
dumpindex E:indexgenomic_subajepidem dd 1 #文档1的完整表示 |
除了能够打印多种统计信息外，"dumpindex"命令还能够对索引实施下面的改变操作：
|
命令
|
参数
|
说明
|
|
compact (c)
|
(None)
|
压缩索引库，释放由被删除的文档占据的空间
|
|
delete (del)
|
Document ID
|
从索引库中删除指定文档
|
|
merge (m)
|
Input indexes (space separated)
|
合并多个Indri索引库为一个索引库
|
尤其是合并索引操作，则可以用dumpindex的m命令来实现。
https://blog.sciencenet.cn/blog-563898-656829.html
上一篇：Indri的IndriBuildIndex索引命令
下一篇：Indri多索引文件创建、合并及使用
