搜索引擎Indri系列：建立索引 (Indexing)

在为文档集建立索引时，需要执行IndriBuildIndex path-to-to-index_parameter_file。这里的index_parameter_file是xml格式的参数文件，用来配置索引模型的参数。
下面详细说明参数的使用方法。

<parameters>
    <memory>1G</memory>  #运行索引需要的内存，数字后可加K/M/G来表示大小，例如100M=100000000
    <index>/home/PROJECT/Index</index> #存放生成的索引的路径，注意：重新生成索引时要把原索引删除
    <stemmer> #词干提取，分为krovetz和porter，默认无词干提取
        <name>krovetz</name>
    </stemmer> 

    <stopper> #指定停用词，默认无停用词
        <word>stopword</word>
    </stopper> 
    
    <corpus>  #可多次指定
        <path>/home/Collections/Volume1</path> #需要建立索引的语料的存放路径
        <class>trectext</class> #文档类型，有trectext, trecweb, html, xml, pdf, txt等，详见https://sourceforge.net/p/lemur/wiki/Indexer%20File%20Formats/）
    <annotations>/path/to/file</annotations> #包含语料对应的偏移标注的文件的存放路径，见https://sourceforge.net/p/lemur/wiki/Inline%20and%20Offset%20Annotations
    <offsetannotationhint>unordered<offsetannotationhint/> #表示offset annotations的存放顺序是否和文档到存放顺序一致，取值为ordered或者unordered，若为unordered，则Indri无需将整个文档文件存入内存，只需顺序读取。
    </corpus>
    <corpus>
        <path>/home/Collections/Volume2</path> 
        <class>trectext</class> 
    </corpus>
    <corpus>
        <path>/home/Collections/Volume3</path>
        <class>trectext</class>
    </corpus>
    <field>#建立索引一般有需要索引域，这是title索引域，域索引用于域查询, 可多次指定
        <name>title</name>
    </field>  

    <field>
        <name>date</name>
        <numeric>true</numeric> #该域是否包含整数
        <parserName>DateFieldAnnotator</parserName> #指定parser将数字域转换为整数值。默认是NumericFieldAnnotator，如果数字域存在 offset annotations，则是OffsetAnnotationAnnotator
    </field> 
</parameters>

参考文献：

1. https://sourceforge.net/p/lemur/wiki/IndriBuildIndex%20Parameters/