JDONREFv4 plugin GettingStarted
L'utilisation du plugin JDONREFv4 nécessite :
- de disposer d'un cluster elasticsearch !
- de déployer le fichier de synonymes de JDONREFv4 (voir ici)
- d'installer le plugin JDONREFv4 (voir ici)
- puis d'indexer le contenu
Vous êtes ensuite libre d'effectuer les recherches souhaitées ! L'API elasticsearch peut bien sûr être utilisée, mais le plugin jdonrefv4 fourni un moyen de chercher efficacement des adresses (c'est à dire avec les résultats auxquels on devrait s'attendre). Cette page décrit une démarche possible en débutant par l'indexation du contenu.
Sommaire
Création de l'index
Commencez par vous créer un index en respectant la configuration fournie par le fichier jdonrefv4-settings.json de la sorte :
curl -XPUT 'http://localhost:9200/jdonref/' -d '{ "index" : { "analysis" : { "analyzer": { "jdonrefv4_index" : { "type" : "custom", "tokenizer" : "whitespace", "filter" : ["delimited_payload_filter", "lowercase", "french_elision", "french_stop", /*/"french_keywords",*/ "french_stemmer","jdonrefv4_synonyme", "jdonrefv4_nGram"] }, "jdonrefv4_codes_index" : { "type" : "custom", "tokenizer" : "standard", "filter" : ["standard", "lowercase"] }, "jdonrefv4_search" : { "type" : "custom", "tokenizer" : "standard", "filter" : ["lowercase", "french_elision", "french_stop",/*/"french_keywords",*/ "french_stemmer"] } }, "filter" : { "delimited_payload_filter" : { "type": "delimited_payload_filter", "delimiter" : "|", "encoding" : "int" }, "french_elision": { "type": "elision", "articles": [ "l", "m", "t", "qu", "n", "s", "j", "d", "c", "jusqu", "quoiqu", "lorsqu", "puisqu" ] }, "french_stop": { "type": "stop", "stopwords": "_french_" }, // "french_keywords": { // "type": "keyword_marker", // "keywords": [] // }, "french_stemmer": { "type": "stemmer", "language": "light_french" }, // "jdonrefv3es_metaphone" : { // "type" : "phonetic", // "encoder" : "metaphone", // "replace" : true // }, "jdonrefv4_synonyme" : { "type" : "synonym", "synonyms_path": "jdonrefv4_synonym.fr_FR.txt" }, "jdonrefv4_nGram" : { "type" : "jdonrefv4_edgengram", "min_gram": 1, "max_gram": 15, "token_chars": ["digit"], "withPayloads": true } }, "similarity": { "jdonrefv4" : { "type": "org.apache.lucene.search.similarities.JDONREFv4TermSimilarity" } } } } }'
A noter que le metaphone n'est plus utilisé pour le moment, car combiné au ngram, il introduit un trop grand nombre de faux positifs. Vous pouvez toutefois le mettre en place à votre guise. Le "french_keywords" peut être rétabli si vous notez quelques mots auxquels l'application du stemmer ne fournis pas de bons résultats.
Création des mappings
Pour que le plugin jdonrefv4 soit efficace, il s'agit de respecter les mappings fournis par jdonref. Cette opération est obligatoire pour que la requête de JDONREF puisse traiter correctement les données indexées.
Par exemple, pour que l'indexation de la géométrie se déroule correctement, les mappings auront du être définis au préalable, car ElasticSearch ne détecte pas automatiquement les géométries.
Vous avez peut-être aussi remarqué l'existence d'un champ calculé "codes". Si vous utilisez les mappings fournis, il se remplit automatiquement à partir du code_postal, code_insee, code_departement, code_arrondissement quelque soit l'objet considéré. Il est cependant vrai que dans le fond, vous pouvez vous en occuper vous-même.
Le champ "fullName" est lui aussi précalculé et contient l'ensemble des termes utilisé par la requête JDONREFv4. Il n'est ainsi pas uniquement la concaténation des champs ligne1, ligne4, et ligne6, mais dispose aussi des champs indexés dans "codes". Il permet d'effectuer un premier niveau de filtrage sur les résultats, très rapidement.
Enfin, le nom des types attribués à chaque mapping doit pour le moment être respecté. Dans le cas contraire, les malus ne pourront pas être appliqués.
Utiliser les synonymes
Le fichier de synonymes a normalement été utilisé à la création de votre index à partir du fichier jdonrev4_synonym.fr.txt.
La recherche pourra ainsi par exemple être effectuée avec le type de voie "BD" plutôt que "BOULEVARD". Attention toutefois, si vous modifiez ce fichier, il faut penser aussi à ré-indexer vos données.
Une autre stratégie consisterait à inverser le fonctionnement du fichier de synonyme pour l'utiliser durant la requête et non pas l'indexation. Le fichier de synonyme contiendrait alors des lignes commme :
residence, res => residence
et la création de l'analyzer serait par exemple:
"analyzer": {
"jdonrefv4_index" : {
"type" : "custom",
"tokenizer" : "standard",
"filter" : ["standard", "lowercase", "jdonrefv4_nGram"]
},
"jdonrefv4_search" : {
"type" : "custom",
"tokenizer" : "standard",
"filter" : ["standard", "lowercase", "jdonrefv4_synonyme"]
}
},
Indexation du contenu
Il est ensuite possible d'indexer du contenu, comme une commune :
curl -XPUT 'http://localhost:9200/jdonref/commune/1' -d '{ "code_insee" : "75056", "code_departement" : "75", "code_pays" : "1", "commune" : "PARIS", "code_postal" : "75000", "ligne7" : "FRANCE", "type" : "commune", "t0" : "22/03/2014", "geometrie" : { "type": "multipolygon", "coordinates" : [ [[102.0, 2.0], [103.0, 2.0], [103.0, 3.0], [102.0, 3.0], [102.0, 2.0]], [[100.0, 0.0], [101.0, 0.0], [101.0, 1.0], [100.0, 1.0], [100.0, 0.0]], [[100.2, 0.2], [100.8, 0.2], [100.8, 0.8], [100.2, 0.8], [100.2, 0.2]] ] } }'
ou une voie :
curl -XPUT 'http://localhost:9200/jdonref/voie/1' -d '{ "numero_min": "1", "numero_max": "192", "type_de_voie": "BOULEVARD", "article": "DE", "voie": "HOPITAL", "code_insee_commune" : "75056", "code_postal" : "75013", "code_insee": "75113", "code_departement" : "75", "code_pays" : "FR1", "commune" : "PARIS", "ligne4" : "BOULEVARD DE L HOPITAL", "ligne6" : "75013 PARIS", "ligne7" : "FRANCE", "type": "voie", "t0" : "22/03/2014", "geometrie" : { "type": "multipolygon", "coordinates" : [ [[102.0, 2.0], [103.0, 2.0], [103.0, 3.0], [102.0, 3.0], [102.0, 2.0]], [[100.0, 0.0], [101.0, 0.0], [101.0, 1.0], [100.0, 1.0], [100.0, 0.0]], [[100.2, 0.2], [100.8, 0.2], [100.8, 0.8], [100.2, 0.8], [100.2, 0.2]] ] } }'
Indexation en masse
A noter qu'il est conseillé d'utiliser l'API [BULK] d'ElasticSearch pour procéder à l'indexation d'un très grand nombre d'adresses.
Attention, pour que la requête du plugin fonctionne correctement, certains champs doivent être correctement renseignés (voir mappings).
Recherches
Une fois le contenu indexé, il vous est possible d'effectuer des recherches à loisir !
Optimisation (une fois que vous vous êtes sortis du reste)
Pour utiliser le paramètre maxSizePerType de la requête JDONREF, il est conseillé (obligatoire) de répartir les types sur de multiples index. D'une manière générale, il est même plus que conseillé de répartir les communes, départements et pays sur un unique shard (avec des réplicats, et potentiellement sur différents index).
A cet effet, et pour simplifier le fonctionnement de l'ensemble, il est possible d'utiliser des alias elasticsearch. Un alias permet de "contenir" différent index. Lorsqu'une requête est faite sur un alias, tous les index de l'alias sont requêtés (et le résultat aggrégé).
Les index de mon cluster sont répartis ainsi (via un batch) :
- alias jdonref
- index pays, 1 shard + 1 réplica
- index departement, 1 shard + 1 réplica
- index commune, 1 shard + 1 réplica
- index voie, 5 shards + 1 réplica
- index adresse, 5 shards + 1 réplica
- index poizon, 5 shards + 1 réplica
NB: Je n'indexe pas les troncons, je n'en ai pas l'usage. NB: Notez que vous pourriez aussi choisir de regrouper pays, departement et commune. Il faut savoir que dans un même index, les fréquences des termes sont cumulés. Dans le même index, les communes auront donc une influence sur la fréquence des termes des pays. A vous de voir.
Cela me permet de définir maxSizePerType à 5000 (voir optimisation), pour éviter de polluer certaines requêtes avec des résultats d'adresse superflus.
Bien sûr, il est nécessaire d'adapter les requêtes de création des index, des mappings, et d'ajouter la création d'un alias.
Par exemple pour les index de pays, departement, commune, il s'agit simplement d'ajouter "number_of_shards" et "number_of_replicas". Ici l'exemple incomplet de l'index des pays :
curl -XPUT 'http://localhost:9200/jdonref_pays/' -d '{ "index" : { "number_of_shards" : 1, "number_of_replicas" : 1, "analysis" : { "analyzer": { "jdonrefv4_index" : { "type" : "custom", "tokenizer" : "whitespace", "filter" : ["delimited_payload_filter", "lowercase", "french_elision", "french_stop", /*/"french_keywords",*/ "french_stemmer","jdonrefv4_synonyme", "jdonrefv4_nGram"] }, "jdonrefv4_codes_index" : { "type" : "custom", "tokenizer" : "standard", "filter" : ["standard", "lowercase"] }, ...
Le mapping du pays doit bien sûr être réalisé sur l'index du pays ...
$ curl -XPUT 'http://localhost:9200/jdonref_pays/pays/_mapping' -d '{ "pays": { "_type": {"store": true}, "_source": {"excludes": ["geometrie"]}, "properties" : { "code_pays" : { "type" : "string" , "term_vector" : "with_positions_offsets", "index_analyzer":"jdonrefv4_codes_index","search_analyzer":"jdonrefv4_search", "similarity":"jdonrefv4"}, "pays" : { "type" : "string" , "index": "no"}, "t0" : { "type" : "date", "format": "YYYY-MM-dd HH:mm:ss", "index":"not_analyzed"}, "t1" : { "type" : "date", "format": "YYYY-MM-dd HH:mm:ss", "index":"not_analyzed"}, "ligne7" : { "type" : "string", "term_vector" : "with_positions_offsets", "index_analyzer":"jdonrefv4_index","search_analyzer":"jdonrefv4_search", "similarity":"jdonrefv4"}, "pin" : { "properties" : { "centroide" : { "type" : "geo_point" , "fielddata" : { "format" : "compressed" , "precision" : "1cm"}}}}, "geometrie" : { "type" : "geo_shape", "precision": "1cm", "tree": "quadtree"}, "fullName" : {"type": "string", "term_vector" : "with_positions_offsets_payloads", "index_analyzer":"jdonrefv4_index_token_count","search_analyzer":"jdonrefv4_search", "similarity":"jdonrefv4"} }, "transform" : { "lang" : "groovy", "script" : "ctx._source['fullName'] = ; if (ctx._source['ligne7']!=null) { def tokens = ctx._source['ligne7'].split(' '); for(x in tokens) ctx._source['fullName'] += ' ' + x + '|9'; }; if (ctx._source['code_pays']!=null) { def tokens = ctx._source['code_pays'].split(' '); for(x in tokens) ctx._source['fullName'] += ' ' + x + '|10'; };" } } }'
et enfin le pays peut être rattaché à l'alias jdonref :
$ curl -XPOST 'http://localhost:9200/_aliases' -d '{ {"actions":[{"add":{"index":"jdonref_pays","alias":"jdonref"}}]}'
Idem pour les autres types (n'oubliez pas d'ajouter des shards pour les voies, adresses et poizon).
Vous êtes alors prêt à utiliser une requête avec maxSizePerType comme ici.
Pour être clair, avec maxSizePerType défini à 10 000, d'après les statistiques de fréquence fournies par elasticsearch sur la base IGN 2013, les adresses composées exclusivement des 84 termes suivant nécessiteront la saisie du code postal ou du code insee (sauf 6 communes pour lesquels le code insee est trop fréquent, voir la liste). Chaque terme est présenté avec sa fréquence.
- france 18934777
- rue 12000419
- avenue 1520128
- saint 2726561
- chemin 1357589
- route 1289752
- bis 1068563
- mont 726556
- impasse 724520
- jean 557596
- boulevard 475745
- grand 430452
- chateau 409622
- place 399026
- arondi 284874
- pont 247505
- tour 223095
- paul 222773
- cour 217926
- moulin 215612
- fer 215394
- champ 212369
- ter 211768
- general 199648
- george 197359
- pari 194572
- loui 193026
- marti 176915
- mare 173454
- mars 168783
- eglis 163259
- bourg 162933
- fontain 157604
- petit 151460
- martin 148328
- gaul 140728
- marseil 132682
- henri 126197
- 75056 126166
- toulo 124260
- marechal 121251
- 13055 121706
- francoi 95722
- vileneuv 88587
- leclerc 86265
- michel 84657
- toulous 82922
- principal 79712
- cote 77054
- mauric 76601
- joseph 76017
- albert 75560
- rose 73350
- nation 72777
- national 70177
- germain 64366
- havr 63465
- 33063 63202
- foret 62521
- 76351 60353
- laure 60243
- verdun 60034
- robe 59093
- lauren 58637
- mine 58423
- provenc 58235
- claud 57540
- colomb 56648
- sabl 55834
- lyon 55469
- chatel 55437
- laurent 55078
- quai 53053
- 44109 52810
- epi 52666
- aube 52162
- august 51570
- guy 51558
- parc 51553
- roue 51505
- jardin 51078
- gambeta 50623
- 59350 50235
- roy 50131
Debug (inaccessible pour le moment, en attente du scoring et du mode bulk)
Pour les experts, un mode debug est disponible avec le paramètre debugDoc de la sorte :
curl -XPOST 'http://localhost:9200/jdonref/_search' -d '{ "query": { "jdonrefv4" : { "value" : "24 BOULEVARD DE L HOPITAL 75005 PARIS", "debugDoc": 2154 } } }'
Cela permet d'afficher au niveau debug (niveau log4j), dans les logs d'elasticsearch, l'exécution détaillée du calcul de la note associée au document d'id "debugDoc". Il ne s'agit toutefois pas de l'id du document correspondant à _id, mais l'id du document relativement au shard considéré. Pour l'identifier, il suffit d'exécuter une requête dont le résultat inclus le document recherché, en mode explain (l'explication fait référence à l'id relatif au shard !).
