Giter Site home page Giter Site logo

ablaternae / flibusta-catalog-indexer Goto Github PK

View Code? Open in Web Editor NEW
2.0 1.0 0.0 40.67 GB

преобразует текстовый каталог флибусты в стандартные форматы

Home Page: https://ablaternae.github.io/flibusta-catalog-indexer/

License: The Unlicense

flibusta search sql csv dwh indexing-engine indexer

flibusta-catalog-indexer's Introduction

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

flibusta-catalog-indexer's People

Stargazers

 avatar  avatar

Watchers

 avatar

Recommend Projects

  • React photo React

    A declarative, efficient, and flexible JavaScript library for building user interfaces.

  • Vue.js photo Vue.js

    🖖 Vue.js is a progressive, incrementally-adoptable JavaScript framework for building UI on the web.

  • Typescript photo Typescript

    TypeScript is a superset of JavaScript that compiles to clean JavaScript output.

  • TensorFlow photo TensorFlow

    An Open Source Machine Learning Framework for Everyone

  • Django photo Django

    The Web framework for perfectionists with deadlines.

  • D3 photo D3

    Bring data to life with SVG, Canvas and HTML. 📊📈🎉

Recommend Topics

  • javascript

    JavaScript (JS) is a lightweight interpreted programming language with first-class functions.

  • web

    Some thing interesting about web. New door for the world.

  • server

    A server is a program made to process requests and deliver data to clients.

  • Machine learning

    Machine learning is a way of modeling and interpreting data that allows a piece of software to respond intelligently.

  • Game

    Some thing interesting about game, make everyone happy.

Recommend Org

  • Facebook photo Facebook

    We are working to build community through open source technology. NB: members must have two-factor auth.

  • Microsoft photo Microsoft

    Open source projects and samples from Microsoft.

  • Google photo Google

    Google ❤️ Open Source for everyone.

  • D3 photo D3

    Data-Driven Documents codes.