JULKAISUJÄRJESTELMÄN HAKUTOIMINNON KEHITTÄMINEN

Abstract

Tietojen haku Internetistä tulee päivä päivältä tärkeämmäksi. Internetiin tulee teratavuja tietoa joka päivä ja niiden tehokas hakumahdollisuus on erittäin tärkeää. On olemassa hakukoneita, jotka käyvät koko verkon läpi ja tallentavat tietoa sivujen sisällöistä tietokantaansa. Sitä kutsutaan indeksoinniksi. Lisäksi on sellaisia hakukoneita, jotka toimivat ja tekevät hakuja sivuston sisältä. Nykyaikana melkein jokaisella yhtiöllä on oma sivustonsa, josta löytyy erilaisia tietoja. Sivusto ei voi olla täydellinen, jos sieltä puuttuu hakukone. Työn tavoitteena oli kehittää ID Partners OY yhtiölle, joka myy web-sivustoja, oma hakukone, joka sitten integroidaan lopputuotteeseen. Sovellus toteutettiin PHP-ohjelmointikielellä Eclipse-ohjelmointiympäristössä. Sanojen käsittelemiseen käytettiin Porterin stem -algoritmia. Projektiin suunniteltiin luokat ja metodit ArgoUML-ohjelmalla. Tietokantojen suunnittelu tehtiin MySQL-WorkBench työkalulla ja niiden täyttäminen MySQL-relaatiotietokantaohjelmistolla. Indeksointialgoritmi pohjautuu Appache Lucene -tekstihaun ilmaiseen kirjastoon. Lopputuloksena saatiin toimiva sovellus, joka käsittelee asiakirjan tekstiä ja indeksoi tekstin tallentamalla sanoja tietokantoihin. Varsinainen tietojen haku tapahtuu kyseisten tietokantojen kautta. Sovellus integroidaan osaksi web-sivustoa.

Finding information on the Internet comes more important day by day. Terabytes of information are uploaded to Internet every day and search capability of this information is very important. There are search engines which go through network and store contained information in its databases. It is called crawling. Also there are such search engines that operate in a certain web-site. At present time almost every company has its own site, which consists of variety of information. This web-site cannot be complete if search engine is absent. The goal of the thesis was to develop for ID Partners Oy company, which sells web-sites, its own search engine, which then would be integrated to the final product. This application was made by using PHP programming language and Eclipse programming environment. Porter stem algorithm was used to remove the more common morphological and inflexional endings from words. Classes and methods were planned by ArgoUML program. Database design was made by using MySQL-WorkBench software and databases were filled in by using MySQL programming language. Indexer algorithm was established with a free text search Appache Lucene library. The final result of the empirical part of the thesis work is the implementation of true application. This application handles text in a document, indexes it and saves words in a database. Data search happens from this database. The application will be integrated to be part of web-site.