トップページ⇒unix
298コメント107KB

全文検索エンジン Hyper Estraier 2

■ このスレッドは過去ログ倉庫に格納されています
0001名無しさん＠お腹いっぱい。2007/04/17(火) 19:56:12

http://hyperestraier.sourceforge.net/index.ja.html

0058名無しさん＠お腹いっぱい。2007/12/27(木) 04:43:21
最新版のWindows版のバイナリパッケージを配布して欲しい．．．
0059名無しさん＠お腹いっぱい。2007/12/27(木) 21:52:28
ありゃ、SennaはともかくHEにもないんだ…
0060名無しさん＠お腹いっぱい。2008/01/06(日) 02:53:55

(　￣0￣)Ψ　誰かぁぁ　PHP-nativ binding を作ってぇ～
0061名無しさん＠お腹いっぱい。2008/01/29(火) 14:23:57
クローラー＋ノードサーバーを使用した検索をシステムを動かし
http://*****:1978/node/***/search_ui　の形式で検索には成功しました。

次ステップで
estraierpure.rb を PHP に移植したという　「EstraierPure for PHP 4.3」を使用し、ClassNodeを利用しましたが、検索結果に同じサイトばかり表示されてしまいます。

１：Pure版には　類似隠匿機能はないのでしょうか。
　　Ruby、Javaにもないようですし..

２：Binding版（Perl等）には、類似隠匿機能（set_eclipse)があるのですが、classNode　がありません。
　　Binding版で、P2P（ノード）利用した検索をシステムって可能なのでしょうか。
　　CPAN（Search-Estraier）を観ましたが、classNodeがあったのですが、set_eclipseがありませんでした
３：そもそもBinding版とPure版の違いってなんでしょうか。（汗


全く、的外れな質問でしたらお許しください
やりたいのは、「P2P＋クローラーでの検索サーバーの構築」です。
0062名無しさん＠お腹いっぱい。2008/01/29(火) 18:32:53
ノードＡＰＩの場合、est_noderes_eclipse関数。　
Pureには、実装されてないようです。


＞そりゃ俺がやるから使う側は楽なんだけどさ、面倒くせーことこの上ない。
　ttp://qdbm.sourceforge.net/mikio/rbbs.cgi?id=RA11306060711414945086
0063名無しさん＠お腹いっぱい。2008/01/30(水) 00:08:19
5年ぶりになまずを再インストールしたらすごくまともになってた。これでいいじゃん。
0064名無しさん＠お腹いっぱい。2008/01/30(水) 01:19:12
5年ぶりかよっ。
0065名無しさん＠お腹いっぱい。2008/01/30(水) 02:18:18
鰤と鯰
0066612008/01/30(水) 14:55:51
面倒くせーですか.... Ｃでやってみましょうか..１５年ブリ（鬱
0067名無しさん＠お腹いっぱい。2008/01/30(水) 20:11:19
いくらなんでも鯰でいいはないだろ…
検索漏れ大杉でとても使う木になれん
0068名無しさん＠お腹いっぱい。2008/01/31(木) 10:15:31
＞検索漏れ大杉

　ヒント　Mecab
0069名無しさん＠お腹いっぱい。2008/01/31(木) 14:10:21
namazu+kakasi じゃなくて 鯰＋和布蕪ってこと？
0070名無しさん＠お腹いっぱい。2008/02/01(金) 10:36:19
>>66
Ｃで組むならＱＤＢＭの使いこなしが必要。
関数になれましょう
0071名無しさん＠お腹いっぱい。2008/02/07(木) 15:54:15
景気よくageます.
Windows版バイナリパッケージのverは1.4.10で止まったままなんでしょうか.
どなたかビルドしておられたらありがたいですが
0072名無しさん＠お腹いっぱい。2008/02/09(土) 17:52:06
1.4.10 で困ることあるのか？

0073名無しさん＠お腹いっぱい。2008/02/10(日) 09:18:20

辞書データ変換ツール一般についてと
(製品版のデータを全部持った)体験版のデータ変換についての話が
入り乱れてないか?
0074名無しさん＠お腹いっぱい。2008/02/10(日) 09:19:50
すまん、誤爆した。
0075名無しさん＠お腹いっぱい。2008/02/20(水) 02:24:28
これ、データーベース(QDBM）が壊れまくり。
ＤＢが開いた状態で、プロセスが落ちると１００％ぶっ飛ぶ
速いらしいが、こんなん怖くて使えないわ。
どうでもいいような、無くなってもいいデータしか扱えないわ。

さてと、１０００万件のデータ、ゼロから収集だわ（鬱

なんとかならんでしょうかね
0076名無しさん＠お腹いっぱい。2008/02/20(水) 02:34:44
なんとかしてみてよ。
0077名無しさん＠お腹いっぱい。2008/02/20(水) 08:56:25
俺もbsfilterでqdbm使ってたらすぐ壊れたんでsdbmに変えた･ﾟ･(つД｀)･ﾟ･
0078名無しさん＠お腹いっぱい。2008/02/20(水) 10:37:59
http://qdbm.sourceforge.net/mikio/rbbs.cgi?id=RA11226165321819719571
0079名無しさん＠お腹いっぱい。2008/02/20(水) 15:07:56
>>77
よかったな! sdbmの方が圧倒的に速いぞ。
0080名無しさん＠お腹いっぱい。2008/02/21(木) 13:32:05
まぁ～、トラック　と
ノーヘルどころか、頭蓋骨すらない脳味噌丸出しのバイク便の差。

高速道路で同じ荷物を運んで　どっちの運ちゃんが逝くかは明白。

シートベルト程度の防御は欲しいけど、速さと安全は成り立たないだろね。
ＲＡＭにカキコされたキャッシュ程度のモンよ

0081名無しさん＠お腹いっぱい。2008/02/21(木) 18:56:31
>>80
お前喩えのセンスあるな
0082名無しさん＠お腹いっぱい。2008/02/23(土) 11:56:39
ＨＥ＋Tokyo Cabinet に変わるまで待てよ
0083名無しさん＠お腹いっぱい。2008/02/23(土) 13:45:46
TC ってさらに速さを追求したライブラリなんじゃネーの?
安全性上がるのか?
0084832008/02/23(土) 13:52:41
ああ、
http://alpha.mixi.co.jp/blog/?p=90
> 耐障害性の向上 : データベースファイルが壊れにくい
って書いてあるな。

速度だけでなく安全性も向上するのか。
0085名無しさん＠お腹いっぱい。2008/02/23(土) 14:11:07
http://alpha.mixi.co.jp/blog/?p=98
> QDBMにおいては、データベースを開いているアプリケーションが異常終了した場合、
> もしくはデータベースを適切に閉じずに終了した場合は、データベースが壊れるように
> していました。それらは明白なバグであり、アプリケーションの作者やそれを使うことを
> 選択したユーザに何らかの意識的な対処を求めることが適切であると考えたからです。
> (中略)
> しかし、上記のような理想主義と「上から目線」では現実の問題に対処できないことを
> 近ごろ感じはじめました。マナーを守らない/守れないユーザやユースケースも結構な
> 割合で存在するのが現実なのです。したがって、TCは、マナーを守らないアプリケー
> ションやそのユーザにも宥和する戦略に転換しました。

突然の停電とか当たり前に起こりうる事態なんだから、
バグとかマナーとかそういう問題じゃないと思うんだよな…
アプリにバグが無くても OS の不具合で落ちることなんかしょっちゅうだしな。
0086名無しさん＠お腹いっぱい。2008/02/23(土) 16:37:48
サバイバビリティの概念がないソフトウェア設計者がいるのか。
能力的に対処できないということはなさそうだから、
実世界の面倒くさいことから逃避するための言い訳か。

> アプリにバグが無くても OS の不具合で落ちることなんかしょっちゅうだしな。

そんな事がしょっちゅうあるようなOSは使わないのが普通。

開発者がアレだとユーザもアレなのが集まるというのを実感しないでもない。
0087名無しさん＠お腹いっぱい。2008/02/23(土) 16:53:57
>>86
おまえは Windows を使ったことがないのか?
0088名無しさん＠お腹いっぱい。2008/02/24(日) 05:10:28
●ノードマスタの異常終了（再起動シナイ）
　サーバールートdirの　_pid と　_stop の削除　

●ＤＢの復旧
　estcmd repair index_path
　
0089名無しさん＠お腹いっぱい。2008/02/24(日) 14:10:33
共有鯖で、クローラーを動かしてますが、突然、
｢out of memory｣で止まってしまいました。( p_q)エ-ン

クローラールートディレクトリ(rootdir)内が飛んだようで
以後、
estwaver crawl rootdir 　で　「could not open」となり起動できません。

メモリが少ないのはわかるのですが、先日までは正常に動作してました。
rootdirの復活方法など対処方法を教えてください　(o*。_。)oペコッ
0090名無しさん＠お腹いっぱい。2008/02/24(日) 15:35:47
つ…釣り？
0091名無しさん＠お腹いっぱい。2008/02/24(日) 15:57:55
あるいは「一般人」かも
0092名無しさん＠お腹いっぱい。2008/02/24(日) 19:53:33
>>85,86
耐障害性の確保は上位層でやれってことだろ。
オーバーヘッドを減らすためには妥当な技術選択だ。
あんたらが考えてるくらいのことはとっくに考えてるはずだよ。

その例としてTokyo Tyrantでちゃんと耐障害性を確保しているしな。
http://alpha.mixi.co.jp/blog/?p=147

これベースでHEを作ってくれないかなぁ。
0093名無しさん＠お腹いっぱい。2008/02/24(日) 21:47:33
むしろ今後HEが放棄されそうで心配…。
0094名無しさん＠お腹いっぱい。2008/02/24(日) 22:47:01
mixi.jp 内で動いているエンジンを表に出して欲しい。
0095名無しさん＠お腹いっぱい。2008/02/25(月) 06:44:00
>>92
中見てないけどtokyoestraierってのがそうじゃないの?

0096名無しさん＠お腹いっぱい。2008/02/26(火) 12:43:58
>>92
選択肢の一つではあるが、技術的に妥当な選択だとは思わないな。
用途が制約される(上位層やユーザがその要求を履行するのは難しい)という点で。
0097名無しさん＠お腹いっぱい。2008/02/26(火) 22:43:32
トレードオフのある技術選択において何が妥当かはユースケース次第だろう。
consistencyを真面目に考えたらそれこそスタンドアロンでは実現できないし。
0098名無しさん＠お腹いっぱい。2008/02/27(水) 17:41:29
ＨＥはそのまま。

後継は、tokyoestraier（ＴＥ）でしょう。
http://hyperestraier.sourceforge.net/past/?M=A
0099名無しさん＠お腹いっぱい。2008/02/28(木) 13:12:04
DesktopHEでファイルサイズとテキストサイズの上限を調整する方法教えてくれよ。
0100名無しさん＠お腹いっぱい。2008/03/21(金) 04:12:02
ココもＭＬも過疎ってるし...
0101名無しさん＠お腹いっぱい。2008/04/03(木) 20:14:51
node配下のインデックスファイルって
別のHEシステムにインポートできないかな。

独立したサーバAで作ったインデックスを
別の独立したサーバBにrsyncで飛ばして してクローン作るとか･･･

0102名無しさん＠お腹いっぱい。2008/04/03(木) 21:54:36
rsyncでやってみれば
多分動くでしょ。AとBのアーキテクチャが同じなら
0103名無しさん＠お腹いっぱい。2008/04/03(木) 23:58:23
Q. ビッグエンディアンもしくはリトルエンディアンのマシン上で動きますか？
A. はい。どちらでも動作します。ただし、双方でインデックスを
共有することはできません。

そうでない場合は共有できるんじゃないの?
0104名無しさん＠お腹いっぱい。2008/04/04(金) 10:03:10
> 101
私やってますよ
サーバAでestwaverで集めて、サーバBにrsyncで飛ばして、検索はBで
ってシステム構築してます
AもBも同じPC同じOSですが
0105名無しさん＠お腹いっぱい。2008/04/04(金) 11:20:55
>>101-102
レス㌧

バックアップとしても使えそうね


てか過疎で誰も居ないかと思ってたけど
人がまだ居て嬉しかった(´；ω；｀)ﾌﾞﾜｯ
0106名無しさん＠お腹いっぱい。2008/04/04(金) 11:21:29
安価ミスorz

>>102-104
0107名無しさん＠お腹いっぱい。2008/04/09(水) 23:28:58
tokyocabinetのwin32版って、どこ？
0108名無しさん＠お腹いっぱい。2008/04/10(木) 07:40:41
ttp://tokyocabinet.sourceforge.net/spex-ja.html#faq
Q. : Windowsで利用できませんか？
A. : 残念ながらできません。今のところ対応予定もありません。
0109名無しさん＠お腹いっぱい。2008/04/10(木) 10:05:57
お、TCのドキュメントでたんだ。

期待age
0110522008/04/17(木) 18:25:17
>>52
>pthreadsライブラリのないシステムで動かしたいんですが

Hyper Estraierの前身の Estraierが pthreadsを必要としてなかったのでそっちを入れました。
0111名無しさん＠お腹いっぱい。2008/04/17(木) 23:37:00
pthはだめなの？
0112名無しさん＠お腹いっぱい。2008/04/18(金) 10:46:20
Windowsで作成したデータベースをFreeBSDにコピーして使用しようと思い「P2Pガイド」の
「初期導入の効率化」を参考にデータベースを作成したのですが、検索が上手くいきません。

FreeBSD側に持っていっても、estsmdでは正常に検索できるのですが、サーバを立ち上げて
estcallを使うと、検索結果のヘッダ(ヒット数など)は表示される物の、それに続くはずの
文書一覧が表示されません。

どなたか原因分かる方見えませんか?
0113名無しさん＠お腹いっぱい。2008/04/18(金) 17:38:32
>>111
GNU pth というのがあったとですか。勉強になりました。
でも本当の UNIX系OSではなくて UNIXエミュレーション環境なので pth では無理かも。
ともかく調べてみます。ありがとね。
0114名無しさん＠お腹いっぱい。2008/04/24(木) 09:09:51
インデックス作成していたらout of memoryで止まるorz
物理メモリ1GB、仮想メモリ1.4GB使い切る・・・
-ftなんか使う物じゃないんだろうか
javaとかのソースコードも見たいんだけどなぁ・・・
0115名無しさん＠お腹いっぱい。2008/04/24(木) 23:32:59
インデックス対象に Excel ファイルとか含まれてる?
Excel のせいでメモリ不足になってるならこういう話がある
http://pmakino.jp/tdiary/20070501.html#p01
0116名無しさん＠お腹いっぱい。2008/04/25(金) 00:03:50
なるほど。参考になりました。

大学の研究室のファイルサーバ(約600GB)の検索用に導入しようと試みているんですが
実験のログやそれをとりまとめたxls、論文のdocやpdf、プレゼン用のppt(x)に
実験プログラムなどなど混沌としているため目的のファイルを探すのが容易になればと・・・

-ftじゃなくて.javaなどもテキストファイルとして認識するようにどこか変更すればいいんだろうか。

がんばっていろいろいじってみます
0117名無しさん＠お腹いっぱい。2008/05/05(月) 21:20:24
KaMailV3でH.E使っているんですが、mh形式のメールを登録したときに、メール内の添付ファイル名で検索することってできるんでしょうか。
H.E単体で、できないものであれば、あきらめようと思っていますが。
0118名無しさん＠お腹いっぱい。2008/05/12(月) 02:11:46
Windowsバイナリ版1.4.9を数台のPCに設置＆P2P連携し、
デフォルトの検索インターフェイスやコマンドラインからメタ検索をしているのですが、
似た内容のファイルが複数ヒットすると数件しかスニペット表示されません。
(例えば、5件のファイルがヒットしてもスニペット表示されるのは1件だけとか)

何かオプションを指定するなどしてヒットしたすべてのファイル、
あるいは上位何件かのファイルのスニペットを表示させる、
ということはできないのでしょうか？
0119名無しさん＠お腹いっぱい。2008/06/15(日) 02:36:39
Tokyo Estraier http://hyperestraier.sourceforge.net/past/?M=A
てさ、0.0.1とかいうバージョン番号のせいで内容を見る気になってなかったんだけど、
実際見てみたら HE 1.4.13 で Tokyo Cabinet を使えるようにしたものなんだね。
今まではQDBMが壊れやすいせいでHEを敬遠してたのだけど、これは良いかも。
これで実運用してる人とかいるかな？

まあ本命は Tokyo Dystopia なんだけどさ。Rubyバインディングとかつくってほしいなあ。
http://tokyocabinet.sourceforge.net/dystopiadoc/
0120名無しさん＠お腹いっぱい。2008/06/15(日) 18:21:12
壊れやすいよね。
問題なのは壊れたのに気づかないという・・・
リペアしてもリペア出来てないという・・・
0121名無しさん＠お腹いっぱい。2008/06/16(月) 18:24:46
検索結果をXMLで受け取りたいときはどうしたらいいの？
0122名無しさん＠お腹いっぱい。2008/06/16(月) 18:35:51
estcmd なら estcmd search に
　-vxを付けると、属性情報とスニペットをXML形式にして結果を出力します。
ってマニュアルに書いてあるよ。

それ以外は自分でAPI使ってXML返すプログラムを作るってのが
本来の使い方だろうね。
0123名無しさん＠お腹いっぱい。2008/06/16(月) 18:54:39
APIつくらないとダメかなぁ～
0124名無しさん＠お腹いっぱい。2008/06/22(日) 17:24:43
２５６Ｍのバーチャルサーバーで動かしてます。
検索時はメモリオーバーになるらしく、プロセスがＫＩＬＬされまくります。

どれくらいのメモリがあれば使えるものですか？
0125名無しさん＠お腹いっぱい。2008/06/22(日) 23:17:58
128M の玄箱 HG でも動いているが…
なんか使い方おかしいんじゃね?
0126名無しさん＠お腹いっぱい。2008/06/23(月) 00:00:57
>>124
バーチャルサーバのスワップはちゃんととってます？
0127名無しさん＠お腹いっぱい。2008/06/23(月) 06:32:14
検索対象拡張子を追加するにはどこいじればいいんだろう？
.javaとかをテキストとして処理するようにしたいんだが・・・
01281242008/06/23(月) 16:57:29
バーチャルサーバのスワップ？　

どうやって取るんだろ。。( p_q)ﾜｶﾝﾈっす　PLASKサーバーです

_conf　の設定が悪いのでしょうか。。P2P（estmaster）で使ってます。
_confにメモリ周辺の設定ってありましたっけ？
0129名無しさん＠お腹いっぱい。2008/06/24(火) 02:03:12
.netからDLLを利用しようと思ってます。
が、検索のAPIがDLL内でmallocしたものを返す仕様になっており、
メモリ解放ができません。
内部で完結するよう関数追加してビルドしなおししかないでしょうか？
0130名無しさん＠お腹いっぱい。2008/06/24(火) 21:40:22
DTDって変更したいときは任意の場所に出来るのかな？
デフォルトのファイルを書き換えるだけ？
0131名無しさん＠お腹いっぱい。2008/06/24(火) 22:14:59
>>129
どうしたいのか分からんが、間にラッパーを
かませればいいんじゃないの?
0132名無しさん＠お腹いっぱい。2008/06/24(火) 23:50:56
>>131
はい、ラッパー作った方がいいと思います。
ラッパーのビルドもcygwin入れて本体と同じライプラリつかってやるんですよね。きっと。
UNIX系はさっぱりで、makeファイルすらよくわからず、相当時間がかかりそうです。

とり急ぎ直近はSearch系だけestcmdでやっちまおうと思います。
ギャザラはDLL使うのでなんとも不格好なんですが。
0133名無しさん＠お腹いっぱい。2008/06/25(水) 10:35:07
freeをcrtからインポートすればいいだけじゃないの？
0134名無しさん＠お腹いっぱい。2008/06/26(木) 01:02:03
makeの設定とdllの中身見たらmsvcrt.dllでいいみたいですね
どうもありがとうございました。
0135名無しさん＠お腹いっぱい。2008/07/08(火) 20:51:02
質問です。
windows環境でRailsの開発をしててHyper Estraierを使いたいんですが、
配布されているバイナリパッケージにRubyバインディングが見当たりません。
Cygwinでソースをmakeしても、Hyper Estraier本体は入るんですが、
Rubyバインディングのmakeでコケます。

windowsでは無理？
0136名無しさん＠お腹いっぱい。2008/07/12(土) 09:15:52
どうコケのかを言わずに、どう答えて欲しいんだろう
0137名無しさん＠お腹いっぱい。2008/07/12(土) 17:24:10
>>135
お前にゃ無理だ。
0138名無しさん＠お腹いっぱい。2008/07/24(木) 13:28:58
ショボ頭の自分助けて…

pdfをインデックス化したいんですけど、30MB超えるpdfだと、
文章の途中までしかインデックス化してくれません。。
特にエラーとか出てないんですけどなんでだろ？

$ estcmd gather -cl -fx ".pdf" "H@estfxpdftohtml" -fz -ic UTF-8 -il ja -lf -1 -lt -1 -sd -cm casket ./

一応、-lf -1 -lt -1で、ファイルサイズ制限無しとかにしてみるんだけど、
マニュアルとかGoogle先生とか聞いても対処方法もわかんなくて、、
こんなバカ助かるかな？
0139fumiyas2008/07/25(金) 12:27:12
>>138

estfxpdftohtml スクリプト中に「ulimit -v 262144 -t 10 2> "/dev/null"」ってのがあるから
「262144」の部分を適当に多くしてみるとどう?
0140fumiyas2008/07/25(金) 12:55:11
>>114
うちの estmaster もインデックスにデータを投入するごとに肥大化しているような。
お客さんのところでメモリ使用量 1GB 越えも発生したので、調査する予定。(;_;)

… その前に Tokyo Estraier を試してみようかしら?
0141名無しさん＠お腹いっぱい。2008/07/25(金) 15:21:53
>>139

うぅ、バカに救いの手をありがとうございます。orz
少しインデックス化できた文章が増えたので、イケルか！と思ったんですが、
値を倍位に変更しても、それ以上は増えなくて、やっぱり途中で切れちゃってる。＿|￣|○|||
( -t 10 => 500とかもしてみたけどダメだった…）

なにげに、
$ pdftotext -enc UTF-8 -htmlmeta "pdfファイル"
これでやってみると、きちんとオワリまで文章がテキスト化されているみたい。

新たに発覚したんだけど、どうもpdf文章の途中でたまたま出てくる「<<」の記号から、
「>>」の所まで、ごっそり文書がインデックス化されてないっぽい。(ﾟﾛﾟ;))((;ﾟﾛﾟ)ｵﾛｵﾛ

すまん、かえって混乱させてるかも。。
というか、自分混乱してる。
0142fumiyas2008/07/26(土) 02:26:06
>>141

ああ、わかった…。(たぶん)
pdftotext のバグですね。

pdftotext -enc UTF-8 -htmlmeta "$infile" - 2> "/dev/null" | output

の部分を:

pdftotext -enc UTF-8 -htmlmeta "$infile" - 2> "/dev/null" \
|sed '/<pre>/,/<\/pre>/{s/&/\&/g;s/</\</g;s/>/\>/g}' \
| output

とでも書き換えてみてください。(これだと「pre」が単語として登録されてしまうが…。)

# sed 's/ -htmlmeta / -raw -nopgbrk /' /usr/bin/estfxpdftohtml > /usr/bin/estfxpdftotext
# chmod 755 /usr/bin/estfxpdftotext

とでもして、

$ estcmd gather -cl -fx ".pdf" "T@estfxpdftotext" -fz -ic UTF-8 -il ja -lf -1 -lt -1 -sd -cm casket ./

とするとか。
0143名無しさん＠お腹いっぱい。2008/07/26(土) 11:00:18
>>142
あんただれ？
0144名無しさん＠お腹いっぱい。2008/07/28(月) 14:06:44
>>142

ホントすいません、付き合って頂いちゃってありがとうございます。
pdftotext のバグですか!?
だとすると、こんなド素人に使いこなすのは難しくなっちゃうかも。。現状で満足せなあかんですかね(;´ー`)

スクリプトありがとうございます(人-)
ただかなり初歩的な部分で分からないところが…(滝汗) そもそも sed がイマイチ分かってないしょっぱい自分…

> # sed 's/ -htmlmeta / -raw -nopgbrk /' /usr/bin/estfxpdftohtml > /usr/bin/estfxpdftotext
> # chmod 755 /usr/bin/estfxpdftotext

estfxpdftohtml や estfxpdftotextは /usr/local/share/hyperestraier/filter にあって
/usr/bin には無かったりするんですが、その辺は読み替えろよこんちくしょう的な感じでしょうか…？(ﾟДﾟ;)ｱﾜﾜ
それともそのままやっちゃっても大丈夫的な感じでしょうか？
0145fumiyas2008/07/29(火) 13:53:59
>>144

まずは pdftotext のバグについて。
pdftotext は -htmlmeta オプションを付けると PDF に含まれる
本文のテキストを簡単な HTML にして、プラス文書情報 (Adobe Reader なら
[File] - [Properties] で表示される情報) を HTML の <meta> に
含めてくれますが、PDF 本文のテキストは <pre> で囲まれるだけで
その中に含まれる <, >, & を <, >, & に変換してくれません(バグ)。
なので PDF に「<HTMLのタグではない適当な文字列>」という文が含まれていると、
estcmd がそれを HTML のタグと認識してしまい、削除してしまいます。

sed がやっていることですが、<pre>～</pre> の間の <, >, & を
<, >, & に変換しているだけです。

最後に estfxpdftohtml(text) の置き場所ですが、私の手元の Debian の
hyperestraier パッケージでは /usr/bin に置かれているというだけで、
そっちの環境で /usr/local/share/hyperestraier/filter なら、
そっちに合わせて ↑ に置くのがいいと思います。

# sed 's/ -htmlmeta / -raw -nopgbrk /' \
/usr/local/share/hyperestraier/filter/estfxpdftohtml \
>/usr/local/share/hyperestraier/filter/estfxpdftotext

>>143
ハンドル(?)をググると出てくるので、そっちをどうぞ。:-)
0146fumiyas2008/07/29(火) 13:57:46
ありゃ? 「＆ｌｔ；」(実際は半角)とかが「<」に変換されちまった…。
どうしたらいいの? ま、いいか。
0147fumiyas2008/07/29(火) 15:56:25
初心者板で聞いてきました。「&amp;amp;」って書くのね…。

pdftotext -enc UTF-8 -htmlmeta "$infile" - 2> "/dev/null" \
|sed '/<pre>/,/<\/pre>/{s/&/\&amp;/g;s/</\&lt;/g;s/>/\&gt;/g}' \
|output

その中に含まれる <, >, & を &lt;, &gt;, &amp; に変換してくれません(バグ)。
0148名無しさん＠お腹いっぱい。2008/07/30(水) 18:50:03
>>147

す・すすごい!!できたできました!!(･∀･∀･)
ごっそり抜けちゃってた文章も、タグだと誤解されてしまってたんですね。
きちんとインデックスに戻ってきました、戻ってきましたよ！！щ(゜ロ゜щ) カモ-ン

天才ですかfumiyasさま… (ｼ_ _)ｼ ネ申 >>147
ほんにありがとうございます。

確かにインデックスの方には <pre> が単語化されているようですが、
これはもう、しょうがないですよ…ね…？

はぁぁ、感動しちゃいました。(；∀；　)
0149fumiyas2008/08/01(金) 01:35:58
>>148
解決されたようでなによりです。
「pre」が気になるようなら、上で書いたように estfxpdftohtml
の代わりに estfxpdftotext でもどうぞ。estcmd の -fx オプションの
値を変更するのを忘れないように。
0150HE@SHE2008/09/27(土) 02:48:36
Hyper Estraierで、URI属性をフレーズ検索の対象とする方法はありますでしょうか。
0151名無しさん＠お腹いっぱい。2008/10/02(木) 13:47:11
すみません教えてください。
ファイルサーバ（Xとか入れてません）として使っているetchにHyper Estraierを入れてわりと経つのですが、
pdfの日本語がインデックスに入っていないことに気付きました。
いろいろ調べて、ひとまずpdftotextが日本語を変換してくれてないのだ、と分かりました。

degas@debian:~$ pdftotext 日本語入りのpdf.pdf
Error: Unknown character collection 'Adobe-Japan1'
　：
Error: Unknown character collection 'Adobe-Japan1'

ってな状況ですorz。xpdfはapt-getでhyperestraierをインストールするときに
推奨パッケージでxpdf-utilsを入れたので、大丈夫だと思っているのですが…。
念のためいまxpdfも入れてみましたが、同じエラーが出ます。
指針が有ればお願いしますm(_ _)m。
0152名無しさん＠お腹いっぱい。2008/10/02(木) 14:23:09
Unknown character collection 'Adobe-Japan1' でググっても解決しないの？
xpdf-japanese とやらを入れてる？
0153名無しさん＠お腹いっぱい。2008/10/02(木) 14:29:43
ttp://www.foolabs.com/xpdf/download.html
にある
xpdf-japanese.tar.gz
は入れた？
0154名無しさん＠お腹いっぱい。2008/10/02(木) 15:11:58
ありがとうございます。
xpdf-japaneseはapt-getだと入らないのですよ…何でか分からないけど。
0155名無しさん＠お腹いっぱい。2008/10/02(木) 15:19:29
そうですか。私にも何でか分かりません。
0156151,1532008/10/02(木) 16:59:34
解決しました。

xpdf-commonをapt-getでインストール、
cmap-adobe-japan1を取ってきてdpkgでインストール、
さらに/etc/xpdf/xpdfrcに
include /etc/xpdf/xpdfrc-japanese.dpkg-new
を書き加えればOKでした。

apt-getしか使えない男にお付き合いいただきありがとうございました。
お邪魔しました。
0157名無しさん＠お腹いっぱい。2008/10/02(木) 17:05:15
ファイルを指定ディレクトリに置くだけだからapt-getイラネですよ。
DLしてtar xvfzしてREADMEだかINSTALLだか読めば分かると思う。
0158名無しさん＠お腹いっぱい。2008/10/20(月) 15:21:23
tokyo estraierはここ以外で存在が話題になっていないんだけど
商用、あるいは公用の検索システムに勝手に使っちゃっていいんだろうか
■ このスレッドは過去ログ倉庫に格納されています