buscador

Buscador: Java + Lucene + Tika + PHP

TODO

listado.java

• Listado de archivos (listado -d "dir" -tsv tsv.tsv -m "doc,docx" -bd "bd.txt")
  • Integramos mascara de archivo en comando? por defecto buscamos algo?
  • Listo, integrada mascara de archivos
  • Tenemos:
  • -d: Directorio a revisar (requerido)
  • -tsv: archivo a almacenar (requerido)
  • -m: mascara de archivos a buscar, separado por coma, pero sin espacio (no requerido, por defecto: doc,docx)
  • -bd: Blacklist de directorios, archivo txt con listado, separado por entre, de directorio que no nos interesan (no requerido, por defecto: ningun blacklist).

union.java

• Union de distintos archivos para listado general (ej. cuando tenemos dos directorio de interes)

diferencias.java

• diferencias de archivos (diferencia -1 l1.tsv -2 l2.tsv -3 l3.tsv)

indexar.java

• indexar de datos para Lucene (indexar -l l3.tsv -o exitosos.tsv -e errores.tsv -dir dir_lucene/)

buscar.java

• busqueda (buscar -d /dir-lucene/ -b [palabras busqueda base64])

otros

• Mas funciones por crear...

Estado

funcionalidad: 80%

Lo Bueno

• Funciona: busca en indice
• Ya tiene un port a webservice basico (PHP+Java)

Lo Malo

• Buscar en indice Lucene antiguo (indice desactualizado y version de lucene quizas antigua)
• proceso de indexacion completamente manual
• nula automatizacion de actualizaciones

Ideas varias

Que usamos para cada cosa

Listado de archivos

Java

Comparacion de listados

Java

Extraccion de datos

Apache POI Apache Tika

Indexacion

Lucene

Interfaz de busqueda

PHP+HTML