Indexierung.

[bofan]

Hallo!

Ich habe ein kleines CMS für mich geschrieben. Mit TinyMCE erstelle ich die Inhalte (also als HTML).

Nun würde ich gerne ein Index erstellen.

Wie kann ich das anstellen?

Wie lasse ich am besten die HTML-Tags aus? In der Datenbank gibt es < und auch &lt;.

Wie kann ich deutsche Füllwörter von der Indexierung auslassen?
z.B.
ein, der, eine, eines
usw. ?

Den Index würde ich dann in eine Datenbank schreiben wollen.

Vielen Dank für Anregungen!

bofan

[Kropff]

Wie lasse ich am besten die HTML-Tags aus?

strip_tags

In der Datenbank gibt es ... und auch &lt;.

str_replace

Wie kann ich deutsche Füllwörter von der Indexierung auslassen?
z.B.
ein, der, eine, eines
usw. ?

Dito

Peter

[bofan]

okay. klar. das kling gut!

Aber wie mache ich es

wenn es z.B. heißt

<a href='index.php' target='_blank'>Home</a>

wenn ich jetzt nur Home haben will?

[Kropff]

strip_tags

Peter

[bofan]

Vielen Dank. So dürfte das mit der Umsetzung klappen.

eine Weitere Frage.

Wie würdet ihr die "Ausnahmen" (z.B. ein, eine, eines, usw.) speichern?

Als Liste in der MySQL DB? Ausgelesen als Array?
Als txt-File? Ausgelesen als Array?
1x täglich generiertes php-File? Da dann als Array?



Wie würdet Ihr den Index in der Datenbank speichern?

Index-File

index-wort tabelle
index-wort-seiten-verknüpung tabelle?

sprich
Seite-ID | Seite-Text


Index-Wort-ID | Index-Wort


Index-Wort-Seite-ID | Seite-ID | Index-Wort-ID



Die Suche dann

Select[*] FROM index-wort LEFT JOIN index-wort-seite ON index-wort-id = index-wort-id AS a LEFT JOIN seite-ID ON seite-id = seite-id AS B WHERE index-wort = 'suchbegriff' ?

[Melewo]

Und eine Stoppwortliste hast Du schon?
Diese hier wäre als Array:

Stoppwortliste deutsch ? php bar

Gibt aber wesentlich längere Listen.

Es kommt ja auch darauf an, was Du damit vorhast. Ich hatte mal eine Liste für eine kleine Suche benötigt, wo man dann zwischen dem genauen Wortlaut usw. wählen konnte. Dafür hatte ich dann eine Stoppwortliste als datei.txt. Nur, die Stoppwörter sind ja gleich aus der Post rausgeflogen und nach denen wurde dann ja nicht mehr gesucht. Also, bevor die Suche begonnen hat, wurden die Stoppwörter in den Suchanfragen schon eliminiert.

Wenn Du aber einen Index erstellen möchtest, dann würde sich wohl eher die Datenbank anbieten. Für meine kleine Suche hatte ich um die 770 Stoppwörter, falls ich mich nicht irre, rechne lieber mit mehr. Weiß nicht mehr, woher ich die hatte, weiß nur noch, dass ich die etwas einkürzte.

[bofan]

Danke Indexierung klappt nun.

Hast du vllt. auch eine Idee, ob ich pdf dateien oder doc dateien indexieren kann?

Also ich hab n linux-server... (root)
[Nur im Intranet ohne Bezug nach außen.]

Mit ist klar, dass gescannte Dokumente in PDF-Dateien nicht indexiert werden können.

[Kropff]

Zum Auslesen könntest du zum Beispiel FPDF mit FPDI nutzen. Bei Word sieht es da schon ein wenig schlechter aus, da das erstens nicht offen ist und zweitens auch noch verschiedene Formate vorliegen können.

Peter