Labb 1: Konkordans

Om du redovisar labben senast den 16 februari får du en bonuspoäng på tentan. På övningen den 1 februari har du dessutom möjlighet att redogöra för lösningen på teoriuppgifterna nedan. Korrekt lösning av dessa ger en bonuspoäng på tentan. Sen redovisning ger ingen bonus för labb eller teoriuppgifter.
Det är frivilligt att redovisa teoriuppgifterna, men för att klara av att göra labben bör du ha gjort dom.

En konkordans är en databas där man kan slå upp ord och då få se alla förekomster av ordet tillsammans med orden närmast före och närmast efter i texten. Detta är ett stort hjälpmedel för lingvister som vill undersöka hur olika ord används i språket.

I denna uppgift ska du skriva ett program som givet en text skapar en konkordansdatabas och ett program som frågar användaren efter ord, slår upp ordet och presenterar alla förekomster av ordet i sitt sammanhang. Det är viktigt att varje sökning går mycket snabbt så det gäller att det första programmet lagrar konkordansen på ett sådant sätt att det går snabbt att göra en sökning.

Exempel på körning av sökprogrammet:

orange51$ java Konkordans bevisen
Det finns 4 förekomster av ordet.
e mest eftersökta matematiska bevisen - det för Fermats stora sats.
 som tvingar andra att ljuga. Bevisen för att snus inte orsakar can
de och därmed de enda dyrbara bevisen på romantiska känslor före ro
jat samarbete med polisen har bevisen strömmat in. De New Yorks guv
orange51$ 

Krav

Följande krav ställs på din lösning:

• Programmet ska vara skrivet i ett riktigt programspråk och inte något operativsystemnära skriptspråk eller liknande.
• Konkordansen ska inte skilja på stora och små bokstäver. Användaren ska alltså kunna skriva in alla sökfrågor med små bokstäver.
• Konstruktionsprogrammet behöver inte vara jättesnabbt eftersom det bara ska köras en gång, men det måste vara någorlunda effektivt så att det kan skapa konkordansen på rimlig tid. Det får inte ta mer än fem minuter att skapa konkordansen på en Sundator i datorsalarna.
• I presentationen ska en förekomst av ordet presenteras på varje rad med till exempel 30 tecken före och 30 tecken efter. Ersätt radbyten med mellanslag. Om det finns fler än ungefär en skärmsida med förekomster bör programmet fråga användaren om hon vill ha förekomsterna utskrivna på skärmen.
• Man ska kunna söka efter ett ord, till exempel "bil" genom att i terminalfönstret ge kommandot konkordans bil (Om du använt C, Pascal eller liknande) eller java Konkordans bil (om du använt Java).
  Svaret måste komma inom ungefär en sekund.
• Sökprogrammet ska inte läsa igenom hela texten och får inte använda speciellt mycket internminne. Internminnesbehovet ska inte växa med antalet distinkta ord i den ursprungliga texten. Du ska därför använda latmanshashning (trie implementerad som array för dom första bokstäverna i ordet och sorterad array för resten av bokstäverna) som datastruktur.

Tips

Texten, som ligger på /info/adk07/labb1/korpus, är en stor fil och ska inte i sin helhet läsas in i internminnet under sökningen. Istället bör sökprogrammet öppna filen och hoppa till dom avsnitt som ska presenteras med seek (använd till exempel fseek i stdio.h i C eller seek i java.io.RandomAccessFile i Java).

Ta ingen kopia av textfilen utan låt sökprogrammet använda ursprungstextfilen på kurskatalogen.

Konstruktionsprogrammet måste skapa något slags index som talar om för varje ord på vilka positioner i texten det förekommer. Detta index blir av samma storleksordning som texten och sökprogrammet ska därför inte heller läsa in hela indexet. Låt det ligga på en fil (eller flera filer) och positionera med hjälp av seek även i denna fil.

Indexfilerna blir stora och får nog inte plats på din skivminnesarea, så skapa dom istället på temporärarean /var/tmp och ta bort dom när du är klar.

Använd gärna färdiga Unixverktyg som sort vid konstruktionen. En enkel tokeniserare (ett program som läser en text och plockar ut dom enskilda orden samt deras position i texten) finns på /info/adk07/labb1/tokenizer.c.
Du kan använda en Makefile eller ett shell-skript för att starta flera program (till exempel tokenizer och sort) när du konstruerar konkordansen.

Java är numera ganska snabbt, ofta bara 3-5 gånger långsammare än C, men just vid filhantering är det viktigt att man är noggrann när man använder Java. När du skapar konkordansen kommer du troligen att vilja skriva många gånger på en eller flera filer. Se till att de strömmar du konstruerar för skrivning (och läsning) är buffrade (läsning och skrivning på en RandomAccessFile kan inte buffras).

Teoriuppgifter

1. Indexinformationen för ett ord (det vill säga i vilka teckenpositioner ordet förekommer i den stora texten) kan bli mycket stor. Hur bör denna lagras så att den tar liten plats men ändå kan läsas enkelt? Bör indexinformationen lagras tillsammans med själva ordet eller på ett separat ställe?

2. Diskutera för- och nackdelar med olika implementationer av konkordansen med avseende på följande egenskaper:
   • snabbhet (antal filläsningar och filpositioneringar per sökning),
   • utrymme på skivminnet,
   • utrymme i primärminnet,
   • enkelhet att konstruera och lagra på fil.
   Ta åtminstone upp följande datastrukturer:
   • binärt sökträd,
   • sorterad array,
   • hashtabell,
   • trie (träd där varje nivå motsvarar en bokstav i ordet),
   • latmanshashning
   Redovisa för- och nackdelarna i en tabell. Tänk på att datastrukturen ska ligga på fil och att sökningar alltså görs i filen istället för som vanligt i internminnet.