<p dir="ltr">At some point, I&#39;d like to upgrade to Lucene 4 by the way as there are some nice features around auto-completion, etc. that I&#39;d like to use in STEP. STEP currently inherits the Lucene libs from JSword&#39;s classpath. Because of the API changes to Lucene I&#39;m blocked on this. It also has some performance improvements but apparently causes 10%+ slow down if running in version 3 indexes. </p>

<p dir="ltr">So not quite sure how we manage this?</p>
<p dir="ltr">Chris<br></p>
<p dir="ltr">Apologies, I hadn&#39;t read your comment on the pull request before I saw DM&#39;s comment above &quot;For Bible Desktop, we&#39;ll have to force re-indexing anyway. I&#39;m finding that the old indexes don&#39;t work with the current code. I&#39;m looking forward to using Sijo&#39;s code to fix this.&quot;</p>

<p dir="ltr">Martin<br></p>
<div class="gmail_quot&lt;blockquote class=" style="margin:0 0 0 .8ex;border-left:1px #ccc solid;padding-left:1ex"><div dir="ltr">Apologies, I hadn&#39;t read your comment on the pull request before I saw DM&#39;s comment above &quot;<span style="font-family:arial,sans-serif;font-size:13px">For Bible Desktop, we&#39;ll have to force re-indexing anyway. I&#39;m finding that the old indexes don&#39;t work with the current code. I&#39;m looking forward to using Sijo&#39;s code to fix this.</span>&quot;<div>

<br></div><div>Martin</div></div><div class="gmail_extra"><br><br><div class="gmail_quote">On 18 April 2014 21:55, Chris Burrell <span dir="ltr">&lt;<a href="mailto:chris@burrell.me.uk" target="_blank">chris@burrell.me.uk</a>&gt;</span> wrote:<br>

<blockquote class="gmail_quote" style="margin:0 0 0 .8ex;border-left:1px #ccc solid;padding-left:1ex"><div dir="ltr">Hi Martin<div><br></div><div>No, that&#39;s not what I&#39;m saying. I&#39;ve updated the pull request a few minutes ago with a comment to the exact opposite.</div>

<div><br></div><div>The pull request doesn&#39;t change the content of anything. It adds new stemmed fields as separate document fields, and changes the configuration of some fields to be stored as well as indexed/analyzed. </div>


<div><br></div><div>Have tested on both old and new indexes locally and it works absolutely fine. But it would be worth you testing as well. </div><div><br></div><div>What bit was confused?</div><span><font color="#888888"><div>

Chris</div><div><br></div>
</font></span></div><div><div><div class="gmail_extra"><br><br><div class="gmail_quote">On 18 April 2014 21:50, Martin Denham <span dir="ltr">&lt;<a href="mailto:mjdenham@gmail.com" target="_blank">mjdenham@gmail.com</a>&gt;</span> wrote:<br>

<blockquote class="gmail_quote" style="margin:0 0 0 .8ex;border-left:1px #ccc solid;padding-left:1ex">
<div dir="ltr">Sorry, are you saying that the changes will break all previously generated indexes?  This will be a problem.<span><font color="#888888"><div><br></div><div>Martin<br></div></font></span></div>
<div><div><div class="gmail_extra"><br><br><div class="gmail_quote">
On 18 April 2014 21:05, Chris Burrell <span dir="ltr">&lt;<a href="mailto:chris@burrell.me.uk" target="_blank">chris@burrell.me.uk</a>&gt;</span> wrote:<br><blockquote class="gmail_quote" style="margin:0 0 0 .8ex;border-left:1px #ccc solid;padding-left:1ex">



<div dir="ltr">Hi DM<div><br></div><div><b>1- Stemming</b></div><div>Yes, I was expecting the stem to give a hit, but we found it matched more words than we were wanting. I can&#39;t think of an example off the top of my head. The other thing we found is that you can&#39;t share the same field because stems aren&#39;t always prefixes. </div>




<div><br></div><div>(For example, there are two PorterStemmers available in Lucene 3 / JSword classpath at the moment - one of them, can&#39;t remember which, gives a stem for genealogy to be genealogi - the other gives the stem as genealog).</div>




<div><br></div><div>So for highlighting, you definitely would need to use Lucene, and I&#39;m not entirely sure how well it would cope</div><div><br></div><div>In STEP we use it for various things, most of which are related to find a &#39;topic&#39; or for identifying &#39;meanings&#39; of words, rather than for actual word searches. When a user picks a word, they want that word. But we allow searching for &#39;love&#39; as a topic, using Naves, or as a word, looking through a lexicon for all entries matching the stem. </div>




<div><br></div><div><b>2- Segregating apps</b></div><div>I think for this, we would want to allow a frontend to register it&#39;s name (prefix and name?). This would allow us to create indexes such as esv-bd, esv-ab, esv-step, etc. It would also allow for application specific sidecar configurations.  The logic would then go app-specific, jsword-specific, sword-specific.</div>



<span><font color="#888888">
<div><br></div><div>Chris</div><div><br></div></font></span></div><div><div><div class="gmail_extra"><br><br><div class="gmail_quote">On 18 April 2014 20:47, DM Smith <span dir="ltr">&lt;<a href="mailto:dmsmith@crosswire.org" target="_blank">dmsmith@crosswire.org</a>&gt;</span> wrote:<br>




<blockquote class="gmail_quote" style="margin:0 0 0 .8ex;border-left:1px #ccc solid;padding-left:1ex"><div style="word-wrap:break-word"><br><div><div><div>On Apr 18, 2014, at 4:23 AM, Chris Burrell &lt;<a href="mailto:chris@burrell.me.uk" target="_blank">chris@burrell.me.uk</a>&gt; wrote:</div>




<br><blockquote type="cite"><div dir="ltr"><br><div class="gmail_extra"><br><br><div class="gmail_quote">On 18 April 2014 01:40, DM Smith <span dir="ltr">&lt;<a href="mailto:dmsmith@crosswire.org" target="_blank">dmsmith@crosswire.org</a>&gt;</span> wrote:<br>





<blockquote class="gmail_quote" style="margin:0px 0px 0px 0.8ex;border-left-width:1px;border-left-color:rgb(204,204,204);border-left-style:solid;padding-left:1ex"><div style="word-wrap:break-word"><br><div><div><div>
On Apr 17, 2014, at 12:09 PM, Chris Burrell &lt;<a href="mailto:chris@burrell.me.uk" target="_blank">chris@burrell.me.uk</a>&gt; wrote:</div><br><blockquote type="cite"><div dir="ltr">Hello<div><br></div><div>STEP uses stemming to improve search results, in some queries (whether on Sword modules or otherwise).</div>





</div></blockquote><div><br></div></div>Stemming is very useful. On occasion, there is a need for a non-stemmed search. Especially for theological purposes. But for general purpose searching it should be the default.</div>





<div><br></div></div></blockquote><div>Are you suggesting we have &#39;heading&#39; being the stemmed search and fullHeading (or something like that) being the non-stemmed? I do think that by default however, we should have the normal search. We experimented with stemming in STEP by default and it can be quite confusing to look for a particular word and hit others. Stemming doesn&#39;t always work the way you expect.</div>




</div></div></div></blockquote><div><br></div></div>I guess I&#39;m confused by your previous comment. I thought you were expecting the stem to give a hit.</div><div><br></div><div>I think it is confusing because the &#39;hit&#39; is not highlighted. If a stem is highlighted then the user can quickly see and determine that it was something they didn&#39;t want.</div>




<div><br></div><div><div>Personally, I don&#39;t like stemming because I&#39;m looking for a certain word not heuristic variations of the word. Also, I don&#39;t like dropping stop words (aka noise words) as many of them are theological significant (e.g. in Christ).</div>




<div><div><br></div><div><br></div><blockquote type="cite"><div dir="ltr"><div class="gmail_extra"><div class="gmail_quote">
<div><br></div><div> </div><blockquote class="gmail_quote" style="margin:0px 0px 0px 0.8ex;border-left-width:1px;border-left-color:rgb(204,204,204);border-left-style:solid;padding-left:1ex"><div style="word-wrap:break-word">





<div></div><div>I&#39;ve some times thought it&#39;d be good to double index: stemmed and full word.</div><div><div><br></div></div></div></blockquote><div>Double indexing is a need if you want both. The stem for genealogy resolves to genealogi (because of the plurals) which is why my search wasn&#39;t hit. We can&#39;t use the same field.</div>





<div> </div><blockquote class="gmail_quote" style="margin:0px 0px 0px 0.8ex;border-left-width:1px;border-left-color:rgb(204,204,204);border-left-style:solid;padding-left:1ex"><div style="word-wrap:break-word"><div><div>
<blockquote type="cite"><div dir="ltr"><div><br></div><div>There are currently 2 limitations in JSword, both of which could easily be fixed. Please let me know if you have concerns around me implementing both.</div>
<div><br></div><div>a- the frontend can&#39;t extend/control the use of indexes. I&#39;m suggesting we add a registerFieldIndexer(fieldIndexer) with a simple interface: indexField(doc, osis). This would allow frontends to specify its own indexing. This would allow a frontend to index new things, or enable term vectors / store fields, etc. </div>





</div></blockquote><div><br></div></div>I&#39;d really rather that we didn&#39;t go down this route. I don&#39;t mind plugin architecture as a way to experiment with different techniques, but I&#39;d really rather that we all benefit from the changes.</div>





<div><br></div></div></blockquote><div>Fine.</div><div> </div><blockquote class="gmail_quote" style="margin:0px 0px 0px 0.8ex;border-left-width:1px;border-left-color:rgb(204,204,204);border-left-style:solid;padding-left:1ex">





<div style="word-wrap:break-word"><div></div><div><div><blockquote type="cite"><div dir="ltr">
<div><br></div><div>b- Extend the LuceneIndex to have a stemmed version of the heading. We could replace the existing index, but that would mean all frontends will require re-indexing.</div></div></blockquote><div><br></div>





</div>I think the same manner that we index the main verse text should be applied to all text: intro, heading and verse text.</div><div><br></div></div></blockquote><div>Happy to do the change for all three.</div></div></div>




</div></blockquote><div><br></div></div>For Bible Desktop, we&#39;ll have to force re-indexing anyway. I&#39;m finding that the old indexes don&#39;t work with the current code. I&#39;m looking forward to using Sijo&#39;s code to fix this.</div>




<div><div><br><blockquote type="cite"><div dir="ltr"><div class="gmail_extra"><div class="gmail_quote"><div> </div>
<blockquote class="gmail_quote" style="margin:0px 0px 0px 0.8ex;border-left-width:1px;border-left-color:rgb(204,204,204);border-left-style:solid;padding-left:1ex"><div style="word-wrap:break-word"><div></div><div><div>
<blockquote type="cite"><div dir="ltr"><div><br></div><div>c- Had JSword been configured to &#39;STORE&#39; the content of some fields, I would have used that for headings. For example, if the headings is stored in the index, STEP would not need to do an osis extract and XML transform to display to the user. It could come straight from the index. Two possibilities here: change the existing index field configuration, or duplicate into a different field.</div>






<div><br></div></div></blockquote><div><br></div></div>I think we should make store an option, possibly the standard.</div></div></blockquote><div>What I don&#39;t want to happen is end up in a situation where the Index is shared in different configurations by different apps. That would break the frontend. </div>




</div></div></div></blockquote><div><br></div></div>Yep. If we can agree on what and how, that&#39;d be best.</div><div><div><br><blockquote type="cite"><div dir="ltr"><div class="gmail_extra"><div class="gmail_quote">
<div>Even if you can ask, &#39;do you support&#39;, that&#39;s unnecessary complexity, that means that a user will have to re-index each book he has to support different front-ends. It also means that if a frontend forgets to ask whether some fields are indexed in a particular way, then he&#39;s going to have broken functionality in the frontend due to another frontend overriding the defaults. At this stage, I&#39;d rather have app-specific indices. </div>





<div><br></div><div> </div><blockquote class="gmail_quote" style="margin:0px 0px 0px 0.8ex;border-left-width:1px;border-left-color:rgb(204,204,204);border-left-style:solid;padding-left:1ex"><div style="word-wrap:break-word">





<div><br></div><div>Right now the way we do the index prevents us from using Lucene to highlight the search hit. If that is STORE, then I&#39;d be in favor of making STORE standard. I wonder if our stripping the text to no include OSIS before indexing will frustrate this change.</div>





<div><br></div></div></blockquote><div>Store is a requirement for highlighting (<a href="http://lucene.472066.n3.nabble.com/Highlighting-for-non-stored-fields-td1773015.html" target="_blank">http://lucene.472066.n3.nabble.com/Highlighting-for-non-stored-fields-td1773015.html</a> and <a href="http://wiki.apache.org/lucene-java/LuceneFAQ" target="_blank">http://wiki.apache.org/lucene-java/LuceneFAQ</a>).</div>





<div> </div><div><br></div><blockquote class="gmail_quote" style="margin:0px 0px 0px 0.8ex;border-left-width:1px;border-left-color:rgb(204,204,204);border-left-style:solid;padding-left:1ex"><div style="word-wrap:break-word">





<div></div><div>It still should be an option for the sake of devices that are disk limited.</div><div><div><br><blockquote type="cite"><div dir="ltr">d- the other side of c- is that ideally multiple headings should be stored in multiple entries to the same field, rather than a concatenation of the field (doesn&#39;t much matter if it&#39;s only ANALYZED)</div>





</blockquote><div><br></div></div>Some verses have headings in the middle of the verse. Don&#39;t make the mistake of assuming an order of heading. Or that heading contains only pre-verse material or all pre-verse material.</div>





<div><div><br></div></div></div></blockquote><div>I&#39;m not making that mistake... All I&#39;m saying is that headings should be stored in different entries in the same field.</div><div>doc.add(fieldName, heading1);</div>





<div>doc.add(fieldName, heading2);</div><div>doc.add(fieldName, heading3);</div><div><br></div><div>This means that you could retrieve one of the headings you want, rather than all. i.e. Psalm 3.1 Non-canon-heading Canon-heading could have 3 separate fields.</div>




</div></div></div></blockquote><div><br></div></div>This would be a good change.</div><div><div><br><blockquote type="cite"><div dir="ltr"><div class="gmail_extra"><div class="gmail_quote">
<div> </div><blockquote class="gmail_quote" style="margin:0px 0px 0px 0.8ex;border-left-width:1px;border-left-color:rgb(204,204,204);border-left-style:solid;padding-left:1ex"><div style="word-wrap:break-word"><div><div>
<blockquote type="cite"><div dir="ltr">
<div><br></div><div><b>I only need one of a- or b- to be able to progress. Happy to do either. I don&#39;t need c- because I&#39;ve worked around, but it would have been nice to have some control over that. </b></div><div>






<br></div><div>pros &amp; cons:</div><div>a- more extensible in the future, other frontends don&#39;t benefit from enhancements</div><div>b- solves an immediate problem, but impacts all frontends (i.e. space used in index).</div>






<div><br></div><div>The only other bit in my mind is whether we need to ensure index-cross-application compatibility. I suspect some of this will tie in with the good work that Sijo has done on index management.</div></div>





</blockquote><div><br></div></div>The index management will be more critical with such a change. I&#39;ve talked about having a manifest which defines the characteristics of the index. If we share an index created by two different systems, it will be important to &quot;know&quot; what an index supports.</div>





<div><br></div></div></blockquote><div>as described above, I&#39;d like to avoid this. I don&#39;t think a frontend should have to worry about other frontends &#39;corrupting&#39; the index (i.e. redefining fields, changing the store status, etc.). I&#39;d rather my own index at that point. </div>





<div><br></div><div> </div><blockquote class="gmail_quote" style="margin:0px 0px 0px 0.8ex;border-left-width:1px;border-left-color:rgb(204,204,204);border-left-style:solid;padding-left:1ex"><div style="word-wrap:break-word">





<div></div><div>One of the changes that is being worked on is the update to a more recent version of Lucene. This affects how stemming is done. The way we are doing it now is deprecated and dropped.</div><div><div>
<br><blockquote type="cite"><div dir="ltr"><div>
<br></div><div>Let me know what your preferences are.</div></div></blockquote><div><br></div></div>Progress not perfection. Shared, configurable changes.</div><div><br><blockquote type="cite"><div dir="ltr"><div>Chris</div>





<div><br></div></div>
_______________________________________________<br>jsword-devel mailing list<br><a href="mailto:jsword-devel@crosswire.org" target="_blank">jsword-devel@crosswire.org</a><br><a href="http://www.crosswire.org/mailman/listinfo/jsword-devel" target="_blank">http://www.crosswire.org/mailman/listinfo/jsword-devel</a><br>





</blockquote></div><br></div></blockquote></div><br></div></div>
</blockquote></div><br></div></div></blockquote></div><br></div>
</div></div><br>_______________________________________________<br>
jsword-devel mailing list<br>
<a href="mailto:jsword-devel@crosswire.org" target="_blank">jsword-devel@crosswire.org</a><br>
<a href="http://www.crosswire.org/mailman/listinfo/jsword-devel" target="_blank">http://www.crosswire.org/mailman/listinfo/jsword-devel</a><br>
<br></blockquote></div><br></div>
</div></div></blockquote></div><br></div>
</div></div></blockquote></div><br></div>
</div>