Skip to content

преобразует текстовый каталог флибусты в стандартные форматы

License

Notifications You must be signed in to change notification settings

ablaternae/flibusta-catalog-indexer

Folders and files

NameName
Last commit message
Last commit date

Latest commit

 
 
 
 
 
 
 
 
 
 
 
 
 
 
 

Repository files navigation

поисковик на примере каталога флибусты

термины и лицензии

  • флибуста
  • каталог — архив списка книг (автор, название, год, ид), находится в открытом доступе
  • данный проект не аффилирован с какими-либо торговыми марками, здесь упомянутыми
  • файлы из каталога /data/* не являются авторскими разработками и могут быть использованы без лицензии. Лицезию исходного файла данных (каталога) установить не удалось. Формальная лицензия проекта Unlicense License совместима с MIT, WTFPL, CC-BY

проект

Проект выполнен в исследовательских и экспериментальных целях. Были выявлены ограничения гитхаба и других хранилищ, установлено, что образы ubuntu* для gihub actions содержат множество дополнительного софта (apache, bind, mariadb, dot-net sdk, nodejs, php, python и т.п.), проверены возможности SQLite (удобно расширять внешними пользовательскими функциями). Результаты экспериментов будут учтены в проектах @metaphonia и git-acts

состав файлов

в каталоге /data

  • catalog.zip, catalog.txt — исходные файлы, внутренний формат похож на CSV с разделителем ;, но таковым не является, потому что поле №5 Subtitle может содержать несколько полей с тем же разделителем
  • catalog.csv.txt — исправленный и подготовленный
  • catalog.sqlite — бд с закачанными данными, структура:
create table if not exists 
catalog (surname varchar(255), name varchar(255), patronymic varchar(255), 
          title text, subtitle text, language char(2), year int, series text, id integer);
  • catalog.csv — дамп в правильном CSV
  • catalog.sql.gz — дамп ANSI SQL

/docs

/scripts

  • разные скрипты преобразования данных и вспомогательные функций

todo

  • придумать морфологический поиск
  • проиндексировать содержимое
  • написать реализацию
  • прикрутить веб-интерфейс
  • статистика поиска, посещения страниц
  • тг-бот

немного статистики

  • GitHub last commit Hits Hits Visitors GitHub

  • GitHub repo size GitHub repo directory count (custom path) GitHub file size in bytes on a specified ref (branch/commit/tag) GitHub file size in bytes on a specified ref (branch/commit/tag) GitHub file size in bytes on a specified ref (branch/commit/tag)

  • общее количество записей в первоначальном архиве более 600 000 и увеличивается

  • размер исходных данных в текстовом виде более 70Мб

  • SQL дамп 100Мб

  • JSON дамп 120Мб

  • общее количество слов длиннее двух символов более 10E6 (10 миллионов)

  • размер индексных файлов 21Мб (место на диске 2,2Гб для NTFS). учтите это, клонирование репозитория может приводить к неожиданным зависаниям

  • скорость поиска в индексе стремится к нулю. точнее, сравнима с пропускной способностью интернет-канала и растет не более чем линейно в зависимости от количества слов

собрано при помощи

всем спасибо, проект завершён. если хотите на своем маленьком сайте быстрый поиск, свяжитесь со мной

About

преобразует текстовый каталог флибусты в стандартные форматы

Topics

Resources

License

Stars

Watchers

Forks