diff --git a/pages/students/2016/jan_holp/dp2021/navod.md b/pages/students/2016/jan_holp/dp2021/navod.md new file mode 100644 index 0000000000..1bc80a03d6 --- /dev/null +++ b/pages/students/2016/jan_holp/dp2021/navod.md @@ -0,0 +1,79 @@ +## Návod na prácu s Elasticsearch +### Inštalácia + +ES je dostupný na všetky operačné systémy ako Windows, MacOs aj Linux. Pre +prácu bol zvolený operačný systém Linux, ktorý je vhodnejší ako Windows. V systéme sme vytvorili adresár, ktorý bude obsahovať všetky potrebné súčasti. Do tohto +adresára sme si stiahli ES, ktorý stačilo rozbaliť a je pripravený na použitie aj bez +inštalácie. Pre spustením je potrebné mať prostredie Java Runtime Environment vo +verzii aspoň 1.8 + +### Podpora slovenčiny + +Pre použitie Hunspell token filtru, stačí jeho obsah stiahnuť z webovej stránky a +rozbaliť ho. Po rozbalení obsahu je potrebné otvoriť adresár kde máme nainštalovaný +ES. Konkrétne v adresári config vytvoríme nový adresár s názvom hunspell, v ňom +ďalej vytvoríme adresár sk_SK. Do tohto adresára nakopírujeme súbory, ktoré sme +získali rozbalením Hunspellu. Výsledná súborová štruktúru si môžeme pozrieť na +obrázku : + +![Súborová štruktúra Hunspell](suborova_struktura.PNG) + +Pre správne fungovanie už potrebujeme len nastaviť analyzér správne. Dôležité +je poradie v akom sa filtre budú aplikovať na text. Na obrázku si môžeme pozrieť +kompletné nastavenie analyzéru(pozn. ES musí byť spustený). Ak je všetko správne +ES nám odpovie hláškou "true". Ako definovať analyzér si môžeme pozrieť na obrázku : + +![Definícia analýzeru](def_analyzeru.PNG) + +### Mapping + +Po nastavení analyzéra potrebujeme ešte pred samotným indexovaním dát nastaviť mapping. Je dôležité nastaviť to na začiatku, kedže mapping už potom nie je +možné upraviť. Bolo by potrebné zmazať celý index a nastaviť mapping znova. Pri +mappingu potrebujeme vedieť, že každý článok bude obsahovať svoje jedinečné ID, +názov(title) a telo(body) článku. Týmto poliam musíme definovať štruktúru, čiže ID +bude typu integer, polia title a body budú typu text. + +### Indexovanie dát + +Na indexovanie použijeme pripravený zdrojový kód s názvom elasticsearch.js. Na +spustenie javascript kód potrebujeme mať nainštalovaný program Nodejs, najlepšie +v čo najnovšej verzii. Kód spustíme pomocou príkazového riadka zadaním príkazu: +nodejs elasticsearch.js. +Zdrojový kód načítava súbor, v ktorom sú všetky novinové články vo formáte +JSON, kde jeden riadok je jeden JSON, čiže jeden novinový článok. Načítavanie +prebieha po riadkoch, kde každému riadku je priradený index postupne v rozsahu 1 +až 4781. každý článok obsahuje jedinečné ID, názov a telo. +Po spustení kódu sa nám zobrazí hláška, ktorá nás informuje o počte indexovaných článkov a vytvorí index s názvom "skweb", kde sa indexuje 4781 novinových +článkov, ktorým budú priradené ID. Po úspešnom indexovaní môžeme začať dáta +vyhľadávať. Ukážka správneho indexovania je na obrázku : + +![Ukážka indexovania](ukazka_indexovania.PNG) + +### Vyhľadávanie + +Po úspešnom indexovaní môžeme začať s vyhľadávaním. Musíme si pripraviť dotaz +pre ES. Obrázok 5-4 znázorňuje komunikáciu s ES a vyhľadávanie pomocou neho. +Odpoveď ES si môžeme pozrieť na obrázku. Sú tam zobrazené informácie +o trvaní vyhľadávania v ms, počte nájdených dokumentov, indexe, v ktorom sa +nachádza nájdený dokument, type, v ktorom je uložený dokument a ID dokumentu. + +![Vyhľadávanie](vyhladavanie.PNG) + +![Odpoveď]( odpoved.PNG) + + +### Výpočet presnosti + +Použijeme metódu precision-recall. V priečinku ../scnc21 sa nachádza súbor answers, +ktorý obsahuje ID všetkých relevantných článkov pre každú otázku. Pri vyhľadávaní +majú články ID v rozsahu 1-4871. V súbore answers majú články ID dokumentov +označené inými číslami. Preto je potrebné každému ID z nášho vyhľadávača priradiť ID zo súboru answers aby sme správne vedeli vypočítať presnosť. Keďže naše +indexovanie článkov prebiehalo načítavaním po riadkoch tak ID dokumentu, ktorý +nám našiel vyhľadávač je vlastne číslo riadku, pomocou ktorého sme indexovali dáta. +Stačí si pozrieť súbor info.txt , pomocou ktorého vieme prideliť správne ID. +Potom nám stačí použiť nástroj na výpočet precision-recall, môžeme to byť npm +balíček precision-recall alebo online kalkulátor. Ak vypočítame presnosť pre každú +otázku na záver stačí vypočítať aritmetický priemer všetkých otázok. + + +**Všetky potrebné zdrojové súbory su priložené v tomto repozitári** \ No newline at end of file