Smarte søgefunktioner i Recoll

Noget af det jeg manglede i MacOS Spotlight søgemaskinen, var en mere omfattende syntaks for søgning.

Recoll er både smart og omfangsrig på det område.

Stemming #

Recoll er bygget på Xapian som faktisk har en dansk stemming-mekanisme.

Stemming finder roden af et ord og de forskellige afledninger. På den måde får man flere resultater på en søgning, og nogle af dem vil være relevante nok.

Med Recoll og Xapian tages der endda konkret højde for nøjagtig de ord som findes i dit indeks.

I mine tekster er der skrevet noget om biler en del gange:

> recollq -s danish bilerne | count
167

Med -s danish søger Recoll på ‘bil’ og alle andre former af ordet, selvom det er indtastet som ‘bilerne’.

Men hvad nu hvis man kun vil søge på en bestemt form af et ord? Altså for eksempel ‘bilerne’ nøjagtig sådan.

Stort forbogstav slår ganske enkelt stemmning fra:

Så Bilerne kun søger på ‘bilerne’, mens bilerne søger på ‘bilerne’, ‘biler’, ‘bil’ etc.

> recollq -s danish Bilerne | count
4

Så jeg har altså kun fire tekster i mit arkiv hvor præcist bil indgår i bestemt flertal.

Stemming er heller ikke slået til når man søger en frase som for eksempel "bilerne er" da fraser jo er bogstavelige.

Nærhed (proximity) #

Recoll tager automatisk højde for nærhed når søgeresultater sorteres. Men en bestemt rækkefølge og et bestemt maksimalt antal ord kan også efterspørges.

Søgning efter ‘dansk’ eller ‘politik’ med dansk stemming:

> recollq -s danish 'dansk politik' | count
507

Uden stemming

> recollq 'dansk politik' | count
110

Så snart man søger på en frase, gør stemming ingen forskel:

> recollq -s danish '"dansk politik"' | count
53

og

> recollq '"dansk politik"' | count
53

er ækvivalente.

Accepterer man op til 5 ord imellem ‘dansk’ og ‘politik’, men stadig samme rækkefølge af søgeord, kan det udtrykkes således:

> recollq '"dansk politik"o5' | count
57

Og med maksimalt fem ord mellem søgeordene hvor rækkefølgen er ligegyldig, stiger antal søgeresultater i det her tilfælde yderligere en smule:

> recollq '"dansk politik"p5' | count
61

Vægt og prioritet #

Normalt tæller antal gange, et søgeord optræder i en tekst, meget for relevansen, og man kan kunstigt oprioritere et bestemt ord ud af flere i en søgning.

Hvis et søgeord i en forespørgsel er ekstra vigtigt, kan det gives en højere vægt.

For eksempel giver

> recollq -n 1 '"dansk"10 politik'
Recoll query: Query((5 * dansk AND politik))
[file:///home/lk/TEKST/ARKIV/undertrykt-stakke-revolution-dansk-politik.da.md]

mens

> recollq -n 1 'dansk "politik"10'
Recoll query: Query((dansk AND 10 * politik))
[file:///home/lk/TEKST/ARKIV/BACKUP/Folkets Avis/Indhold/Ledere/Et vendepunkt i dansk politik.txt]	

Altså to forskellige resultater i mine tekster hvor sidste resultat er en tekst hvor ‘politik’ fylder mere end i første.

Et helt tredje resultat får jeg ved

recollq -n 1 'dansk -politik'

for her er alle tekster med ordet ‘politik’ i helt sorteret fra.

Det var nogen af mulighederne som gør det nemmere at finde relevante tekster og brudstykker af tekster frem i et stort lokalt arkiv.