-
-
Notifications
You must be signed in to change notification settings - Fork 1
/
Copy pathbuscador.cpp
656 lines (581 loc) · 25.4 KB
/
buscador.cpp
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
// vim: set expandtab tabstop=8 shiftwidth=8 foldmethod=marker:
/** @file buscador.cpp
* Carga un índice con un trie-especial y realiza una búsqueda sobre el mismo.
*
* @package Mt77
* @author Vladimir Támara Patiño. vtamara@pasosdeJesus.org
* Dominio público. 2009. Sin garantías
* http://creativecommons.org/licenses/publicdomain/
* @version $Id: buscador.cpp,v 1.14 2011/10/14 11:26:10 vtamara Exp $
*/
#include <iostream>
#include <iomanip>
#include <list>
#include <vector>
#include <set>
#include <fstream>
#include <istream>
#include <algorithm>
#include <sys/time.h>
#include <sys/stat.h>
#include <stdint.h>
#include <unistd.h>
using namespace std;
#include "Pos.hpp"
#include "TrieSDisco.hpp"
#include "comun.hpp"
/**
* Recibe consulta, la analiza y retorna un conjunto de cadenas por
* buscar con la función realizaBusqueda
*
* Para el análisis emplea un automata finitos con 4 estados.
*/
set<string> analizaConsulta(string consulta, bool latin1 = false)
{
string pnor;
string petiqueta;
set<string> ccad;
if (consulta[0] == '\0') {
// std::cout << "vacio" << std::endl;
return ccad;
}
int estado = 0;
/** 0 saltando blancos
* 1 leyendo palabra
* 2 leyendo palabra entre comillas
* 3 leyendo etiqueta después de :
*/
char pal[MAXCAD];
int npal = 0; // Número de caracteres escritos en pal
uint32_t p = 0;
for (p = 0; p < consulta.length(); p++) {
// clog << "analizaConsulta ciclo, p="<< p <<", estado=" << estado << "\n";
// clog << consulta[p] ;
if (estado == 0) {
if (consulta[p] == '"') {
estado = 2;
npal = -1;
//clog << "OJO De 0 a 2" << endl;
} else if (!isspace(consulta[p])) {
estado = 1;
npal = 0;
pal[0] = consulta[p];
}
} else if (estado == 1) {
if (isspace(consulta[p])) {
estado = 0;
npal++;
pal[npal] = '\0';
pnor = normaliza(string(pal), latin1);
if (pnor != "") {
// clog << " insertando cadena en estado 1 isspace" << endl;
ccad.insert(pnor);
}
} else if (consulta[p] == ':') {
estado = 3;
npal++;
pal[npal] = '\0';
petiqueta = normaliza(string(pal), latin1);
npal = 0;
} else if (npal <(int)MAXCAD-2) {
npal++;
pal[npal] = consulta[p];
}
} else if (estado == 2) {
//clog << "OJO en 2" << endl;
if (consulta[p] == '"') {
estado = 0;
npal++;
pal[npal] = '\0';
//clog << "OJO fin de cadena npal=" << npal << ", pal='" << pal << "'" << endl;
vector<string> partes = estalla(" ", pal);
string sep = "", cres = "";
for(uint32_t np = 0; np < partes.size(); np++) {
pnor = normaliza(string(partes[np]),
latin1);
//clog << "OJO Tras normalizar partes[" << np << "]=" << partes[np] << " dio pnor=" << pnor << endl;
if (pnor != "") {
cres += sep + pnor;
sep = " ";
}
}
//clog << "OJO se insertará a la consulta '" << cres << "'" << endl;
// clog << " insertando cadena en estado 2" << endl;
ccad.insert(cres);
} else if (npal < (int)MAXCAD-3 &&
(!isspace(consulta[p]) ||
!isspace(consulta[p-1]))) {
npal++;
pal[npal] = consulta[p];
//clog << "aumentando pal a " << npal << ", pal[npal]=" << pal[npal] << endl;
} else {
//clog << "OJO else" << endl;
}
} else if (estado == 3) {
if (isspace(consulta[p])) {
estado = 0;
pal[npal] = '\0';
npal++;
pnor = normaliza(string(pal), latin1);
//cerr << "Tras normalizar pal=" << pal <<
//" dio pnor=" << pnor << endl;
if (pnor != "") {
// clog << " insertando cadena en estado 2 isspace" << endl;
ccad.insert(petiqueta+":"+pnor);
}
} else if (npal < (int)(MAXCAD-2-petiqueta.length())) {
pal[npal] = consulta[p];
npal++;
}
}
// clog << " " << pal << endl;
}
if (estado == 1) {
npal++;
ASSERT(npal<=(int)MAXCAD-1);
pal[npal] = '\0';
pnor = normaliza(string(pal), latin1);
if (pnor != "") {
ccad.insert(pnor);
}
} else if (estado == 2) {
npal++;
ASSERT(npal<=(int)MAXCAD-2);
pal[npal] = '"';
npal++;
pal[npal] = '\0';
pnor = normaliza(string(pal), latin1);
if (pnor != "") {
ccad.insert(pnor);
}
} else if (estado == 3) {
pal[npal] = '\0';
npal++;
pnor = normaliza(string(pal), latin1);
if (pnor != "") {
//clog << "OJO por insertar " << petiqueta << ":" << pnor << endl;
ccad.insert(petiqueta+":"+pnor);
}
}
return ccad;
}
int compDoc(Pos p1, Pos p2)
{
return (p1.numd < p2.numd);
}
/**
* Realiza búsqueda en el índice especificado.
* Las cadenas por buscar ya están normalizadas.
*/
set<uint32_t> *realizaBusqueda(char *indice, set<string> &consulta,
vector<Doc> &docs)
{
set<uint32_t> *res = new set<uint32_t>();
set<Pos> *cp = NULL, *cp2 = NULL;
char relacion[MAXLURL];
verificaNombre(indice, relacion);
int64_t mira = -1;
set<Pos>::iterator cpi, cpi2;
set<uint32_t>::iterator resi;
set<string>::iterator i;
leeRelacion(relacion, docs);
for (i = consulta.begin(); i != consulta.end(); i++) {
vector<string> partes = estalla(" ", *i);
if (mira != -1) {
//clog << "OJO al comienzo del ciclo mira docs[" << mira << "].numoc=" << docs[mira].numoc << endl;
}
for(uint32_t np = 0; np < partes.size(); np++) {
try {
//clog << "OJO buscando '" << partes[np] << "'" << endl;
fstream is(indice, ios_base::in);
verificaIndice(is);
try {
cp2 = buscaPlanoStream(is, partes[np]);
} catch (string m) {
throw errorFormato(is, m);
}
is.close();
//cp2 = buscaPlano(indice, relacion, partes[np], docs);
} catch (string m) {
cerr << indice << ":" << m << endl;
exit(1);
}
if (np == 0) {
cp = cp2;
} else {
set<Pos> *cp3 = new set<Pos>();
//clog << "OJO intersectando resultados con palabra anterior en cadena" << endl;
cpi = cp->begin();
cpi2 = cp2->begin();
while (cpi != cp->end() && cpi2 != cp2->end()) {
// Hay palabra entre cpi y cpi2 sería mejor criterio
if ((cpi->numd < cpi2->numd)) {
cpi++;
} else if ((cpi->numd == cpi2->numd) &&
((uint32_t)(cpi->numb + partes[np-1].size() + 5) < (uint32_t)(cpi2->numb))) {
cpi++;
} else if (cpi2->numd < cpi->numd) {
cpi2++;
} else if ((cpi2->numd == cpi->numd) &&
((uint32_t)cpi2->numb < (uint32_t)(cpi->numb + partes[np-1].size() + 1))) {
cpi2++;
} else {
ASSERT(cpi2->numd == cpi->numd);
ASSERT((uint32_t)cpi->numb + partes[np-1].size() + 1 <= (uint32_t)cpi2->numb);
ASSERT((uint32_t)cpi2->numb <= (uint32_t)cpi->numb + partes[np-1].size() + 5);
cp3->insert(*cpi2);
cpi++;
cpi2++;
}
}
if (cp == cp2) {
delete cp;
} else {
delete cp;
delete cp2;
}
cp = cp3;
}
}
if (cp != NULL) {
if (i == consulta.begin()) {
ASSERT(res->size() == 0);
for (cpi = cp->begin(); cpi != cp->end(); cpi++) {
//clog << "cpi->numd=" << cpi->numd << ", ";
res->insert(cpi->numd);
docs[cpi->numd - 1].numoc++;
if (mira == -1) {
mira = cpi->numd - 1;
//clog << "activando mira en " << mira << endl;
} else if (mira == cpi->numd - 1) {
//clog << "mirando que aumentó en primera iteración docs[" << mira << "].numoc a " << docs[mira].numoc << endl;
}
}
//clog << endl;
} else {
set<uint32_t> *res2 =
new set<uint32_t>();
if (mira != -1) {
//clog << "OJO en i que no es inicial mira docs[" << mira << "].numoc=" << docs[mira].numoc << endl;
}
cpi = cp->begin();
resi = res->begin();
while (cpi != cp->end() && resi != res->end()) {
if ((uint32_t)cpi->numd < *resi) {
cpi++;
} else if (*resi < (uint32_t)cpi->numd) {
resi++;
} else {
res2->insert(cpi->numd);
//clog << "Agregando doc donde también esta siguiente palabra, docs[cpi->numd] es " << docs[cpi->numd - 1].numoc << endl;
//clog << "*resi=" << *resi << ", cpi->numd=" << (uint32_t)cpi->numd << endl;
while (cpi != cp->end() && *resi == (uint32_t)cpi->numd) {
docs[cpi->numd - 1].numoc++;
cpi++;
}
//clog << "*resi = " << *resi << endl;
if (*resi == (uint32_t)mira) {
//clog << "OJO mirando que aumento la mirada " << mira << " a " << docs[mira].numoc << endl;
}
resi++;
}
}
//clog << "Intersección dió res2.size()=" << res2->size() << endl;
//clog << *res2 << endl;
delete res;
res = res2;
}
delete cp;
} else { // Si un conjunto es vacío la intersección es vacía.
delete res;
res = new set<uint32_t>();
break;
}
}
//clog << "OJO res->size=" << res->size() << endl;
//clog << *res << endl;
return res;
}
string nombra_resconsulta(set<string> &cons, char *ind)
{
string r("../indices/consultas/");
for(char *p = ind; *p != '\0'; p++) {
//if (isalnum(*p)) {
if (!isspace(*p)) {
r += *p;
} else {
r += '_';
}
}
set<string>::iterator i;
for(i = cons.begin(); i != cons.end(); i++) {
r += "_" + (*i);
}
return r;
}
bool resconsulta_reciente(string nc)
{
FILE *f = fopen(nc.c_str(), "r");
if (f == NULL) {
return false;
}
fclose(f);
struct tm* rel;
struct stat atr;
stat(nc.c_str(), &atr);
rel = gmtime(&(atr.st_mtime));
time_t o = mktime(rel);
time_t actual = time_t();
double d = difftime(actual, o);
if (d>(24*60*60)) { // 1 día
return false;
}
return true;
}
void guarda_resconsulta(string nc, vector<uint32_t> *vpos)
{
ASSERT(nc != "");
ASSERT(nc.length() < MAXLURL);
ASSERT(vpos != NULL);
fstream os(nc.c_str(), ios_base::out);
escribeNDesp(os, vpos->size());
for(uint32_t i = 0; i < vpos->size(); i++) {
escribeNDesp(os, (*vpos)[i]);
}
os.close();
}
vector<uint32_t> *lee_resconsulta(string nc)
{
ASSERT(nc != "");
ASSERT(nc.length() < MAXLURL);
fstream is(nc.c_str(), ios_base::in);
if (!is) {
throw std::string("No pudo abrirse" + nc);
}
vector<uint32_t> *vpos = new vector<uint32_t>();
long t = leeNDesp(is);
for (long i = 0; i < t; i++) {
long n = leeNDesp(is);
vpos->push_back(n);
}
is.close();
return vpos;
}
class Esc
{
public:
vector<Doc> *docs;
Esc(vector<Doc> *d) : docs(d)
{
ASSERT(d != NULL);
}
bool operator() (uint32_t i, uint32_t j)
{
if (i >= docs->size() || j >= docs->size()) {
throw "Problema buscando. Posiblemente no coinciden índice y relación";
}
ASSERT(i>=0 && i<docs->size());
ASSERT(j>=0 && j<docs->size());
if ((*docs)[i].fecha > (*docs)[j].fecha) {
return true;
} else if ((*docs)[i].fecha == (*docs)[j].fecha) {
return (*docs)[i].numoc > (*docs)[j].numoc;
}
return false;
}
};
vector<uint32_t> *escalafon(set<uint32_t> *cpos, vector<Doc> *pdocs)
{
Esc e(pdocs);
//clog << "escalafon(cpos->size=" << cpos->size() << ", pdocs->size=" << pdocs->size() << endl;
set<uint32_t>::iterator cpi;
vector<uint32_t> *vpos=new vector<uint32_t>();
for (cpi = cpos->begin(); cpi != cpos->end(); cpi++) {
vpos->push_back(*cpi-1);
//clog<< " " << *cpi ;
}
//clog<< endl;
sort (vpos->begin(), vpos->end(), e);
return vpos;
}
/* http://www.guyrutenberg.com/2007/09/22/profiling-code-using-clock_gettime/ */
timespec tdiff(timespec start, timespec end)
{
timespec temp;
if ((end.tv_nsec-start.tv_nsec)<0) {
temp.tv_sec = end.tv_sec-start.tv_sec-1;
temp.tv_nsec = 1000000000+end.tv_nsec-start.tv_nsec;
} else {
temp.tv_sec = end.tv_sec-start.tv_sec;
temp.tv_nsec = end.tv_nsec-start.tv_nsec;
}
return temp;
}
/**
* Remplaza ocurrencias de una cadena por otra en una cadena
* http://www.zedwood.com/article/105/cpp-strreplace-function
*/
string& cad_remplaza(const string &busca, const string &remplaza, string &cadena)
{
string buffer;
int sealeng = busca.length();
int strleng = cadena.length();
if (sealeng==0) {
return cadena;//no change
}
for(int i=0, j=0; i<strleng; j=0 ) {
while (i+j<strleng && j<sealeng && cadena[i+j]==busca[j]) {
j++;
}
if (j==sealeng)//found 'busca'
{
buffer.append(remplaza);
i+=sealeng;
} else {
buffer.append( &cadena[i++], 1);
}
}
cadena = buffer;
return cadena;
}
string escapa(char *s)
{
string t=s;
cad_remplaza("\"", "\\\"", t);
return t;
}
string escapa(string t)
{
cad_remplaza("\"", "\\\"", t);
return t;
}
void uso()
{
cerr << "buscador [-l] indice texto [inicio] [fin]" << endl;
cerr << " -l indica que la cadena búscada están en LATIN1 (por omisión se supone que está en UTF-8)" << endl;
cerr << "inicio es posición inicial a partir de la cual buscar" << endl;
cerr << "fin es posición final hasta la cual buscar o 0 indica hasta la última" << endl;
exit(1);
}
int main(int argc, char *argv[])
{
uint32_t inicio = 1;
uint32_t fin = 10;
timespec t1;
clock_gettime(CLOCK_REALTIME, &t1);
bool latin1 = false;
int ch;
while ((ch = getopt(argc, argv, "l")) != -1) {
switch (ch) {
case 'l':
latin1 = true;
break;
default:
uso();
}
}
if (argc - optind < 2) {
cerr<<"Se esperaban al menos 2 argumentos. " << endl << endl;
uso();
}
vector<Doc> docs;
string busqueda( argv[optind+1] );
set<string> cons = analizaConsulta(busqueda, latin1);
// clog << "cons=" << cons << " longitud=" << cons.size() << std::endl;
//clog << "OJO analizaConsulta retornó conjunto de tamaño " << cons.size() << endl;
/*if (cons.size() == 0) {
cout << "Consulta vacía<br>" << endl;
exit(1);
} */
char *f;
if ((f = strstr(argv[optind], ".indice")) == NULL ||
(uint32_t)(f - argv[optind]) != (strlen(argv[optind]) - 7) ) {
cerr << "se esperaba extensión .indice. "
<< argv[optind] << endl;
exit(1);
}
string nc = nombra_resconsulta(cons, argv[optind]);
//clog << "nc = " << nc << endl;
vector<uint32_t> *vpos = NULL;
//if (!resconsulta_reciente(nc) || sincopiarec) {
//cerr << "No es reciente " << argv[optind] << endl;
set<uint32_t> *cpos = realizaBusqueda(argv[optind], cons, docs);
//clog << "OJO realizaBusqueda retornó conjunto de tamaño " << cpos->size() << endl;
vpos = escalafon(cpos, &docs);
ASSERT(cpos->size() == vpos->size());
/*guarda_resconsulta(nc, vpos);
} else {
//cerr << "Si es reciente" << argv[optind] << endl;
char relacion[MAXLURL];
verificaNombre(argv[optind], relacion);
leeRelacion(relacion, docs);
vpos = lee_resconsulta(nc);
} */
/*for (int i=0; i<docs.size(); i++) {
cerr << i << " " << docs[i] << endl;
}
exit(1); */
/*if (vpos==NULL || vpos->size()==0) {
clog <<"<p>No se encontraron coincidencias</p>"<<endl;
return 1;
} */
if (argc - optind >= 3) {
inicio = atoi(argv[optind+2]);
if (inicio >= vpos->size() ) {
inicio = vpos->size();
}
if (inicio <= 0) {
inicio = 1;
}
}
if (argc - optind >= 4) { // Convención fin en 0 significa todos
fin = atoi(argv[optind+3]);
if (fin == 0) {
fin = vpos->size();
}
if (fin < inicio) {
fin = inicio;
}
if (fin > vpos->size() ) {
fin = vpos->size();
}
} else {
fin = vpos->size() < 10 ? vpos->size() : 10;
}
string busqesc;
if (latin1) {
busqesc = escapa(cadena_latin1_a_utf8(busqueda));
} else {
busqesc = escapa(busqueda);
}
cout << "{" << endl;
cout << " \"consulta\": \"" << busqesc << "\"," << endl;
cout << " \"documentos\": " << vpos->size() << "," << endl;
cout << " \"inicio\": " << inicio << "," << endl;
cout << " \"fin\": " << fin << "," << endl;
cout << " \"resultados\": [" << endl;
uint32_t ns = 1;
for (ns = inicio; ns <= fin; ns++) {
ASSERT((*vpos)[ns - 1] >= 0 &&
(uint32_t)(*vpos)[ns - 1] < docs.size());
cout << " { \"url\": \"" <<
docs[(*vpos)[ns - 1]].URL << "\",\n";
cout << " \"frec\": \"" <<
docs[(*vpos)[ns - 1]].numoc << "\",\n";
cout << " \"fecha\": \"" <<
docs[(*vpos)[ns - 1]].fecha << "\"\n";
cout << " }";
if (ns < fin) {
cout << ", ";
}
cout << endl;
}
timespec t2;
clock_gettime(CLOCK_REALTIME, &t2);
//timespec d = tdiff(t1, t2);
//uint32_t tiempo = d.tv_sec*1000000000 + d.tv_nsec;
cout << " ]" << endl; // resultados
//cout << " \"tiempons\": " << tiempo << endl;
cout << "}" << endl; // objeto
return 0;
}