Vyhledávání v českých dokumentech nad nativním XML úložištěm

Mgr. Petr Krátký

Diplomová práce

Searching for Czech Documents in a Native XML Storage

Anotace:

Zájem o vyhledávání informací, konkrétněji o vyhledávání textových informací, jakožto odvětví informatiky, v současnosti stále narůstá. Schopnost vyhledávat je nutnou vlastností každé aplikace operující nad nějakou bází dat. Vyhledávacích nástrojů vhodných k integraci do vytvářených aplikací je nespočet – komerčních i volně dostupných. Jedním z nich je i knihovna Apache Lucene, původně vytvořená v programovacím jazyce Java. Jedná se o flexibilní a výborně navržený software, který se těší velké popularitě. Jedním z pozitiv knihovny Lucene je také otevřenost kódu a rozsáhlá komunita přispěvatelů. Tato práce se zabývá knihovnou Apache Lucene a možností integrace vyhledávání v českých XML dokumentech do této knihovny.

Abstract:

Focus on information retrieval, especially on text information retrieval, as a branch of computer science, grows up nowdays. Ability of searching is necessary feature of every application, that works with some data base. There is a lot of searching tools suitable for integration into created application available - commercial or freely available. One of them is library Apache Lucene, writen in programming language Java. It is flexible and well designed software, that is very popular too. One of Lucene's positives is that it is open-source a that it has large base of contributors. This work describes library Apache Lucene and problems related to searching in czech language and analyzes possibilities of integration of czech searching into Lucene library.

Klíčová slova

Lucene, XML, Java, indexování, indexing, lemmatizace, lemmatization, vyhledávání, searching

Jazyk práce: čeština

Datum vytvoření / odevzdání či podání práce: 31. 5. 2007

Obhajoba závěrečné práce

• Obhajoba proběhla 22. 6. 2007
• Vedoucí: doc. RNDr. Tomáš Pitner, Ph.D.

Masarykova univerzita

Fakulta informatiky

Magisterský studijní program / obor:
Informatika / Informatika