検索対象の制限 |
作成日：2002-11-22 最終更新日： |
ホームページの中に日本語のページと英語のページが両方ある場合、 検索エンジンを設けるときに考えるべきことがある。 それは、日本語のページを検索対象とすべきかどうかということだ。
日本語を読める人が対象であれば、 英語（というよりラテン文字）のページも検索対象としてかまわない。 しかし、 日本語が読めない人 （というより日本語のページが文字化けしてしまうブラウザしか持てない人） に対しては、 文字化けしてしまうページを表示させるのは親切とはいえない。
そこで、日本語が読めない人のために、 検索対象を制限する必要がある。 namazu でどのように実現するか。 もっとも簡単なのは、インデックスを複数作ることだ。 すなわち、日本語を含むすべてのページを対象としたインデックスと、 ラテン文字のみからなるページを対象としたインデックスの２つを作る。 そうすれば可能だ。しかし、わざわざインデックスを2つ作るのは、 もったいない。 他に方法はないだろうか？
日本語を排除するページを考える前に、 特定の言語のページのみを対象とする制約を考えよう。 たとえば、エスペラントのページだけに制限した検索も可能である。 私のページでは、/\.eo$/ という正規表現を使えばよい（注２）。 // にはさまれた \.eo$ は、 ファイル名 .eo がで終っていることを表している。 ピリオドの前にバックスラッシュ\が置かれているのは、 .が正規表現を意味するのではなく、 ピリオドそのものとして扱うことを表している。
注１：上記記述は2007年11月19日から有効。11月18日以前は、 /\.eo\./としていた。
さて、日本語排除の方法だが、言語コードで j で始まる URI を 削除すると考える。これには、 form 内に次のように記述すればよい。
<input type="hidden" name="subquery" value="+uri:/\.[^j]\.$/">
value 内での // ではさまれた\.[^j]\.$ は、 言語コードの第１文字がj以外である２文字を表している。 $ は正規表現を表す文字で、 その直前の文字で文字列が終了することを指示する記号である。
注１ 上記記述は2007年11月19日から有効。 以前は文字コード8859-1をラテン文字に用いていたため、 URI が1で終わるという意味の /1$/ を用いていた。
注２ もちろん、日本語を排除するだけでは、 ラテン文字に制限することにはならない。 他の非ラテン文字、たとえば、ハングル、キリル文字、ギリシャ文字、 繁体字、簡体字、アラビア文字をどうするかは、個別判断になる。
では、違いを実際の検索で示そう。検索文字列に html を指定した結果である。
まりんきょ学問所 ＞ 全文検索システム Namazu ＞ 検索対象の制限
