La mise en Forme des documents

1. Transformation du format en texte simple
1. Parseur HTML / XML
   Ici peut être introduit des systèmes d'étiquetage qui permettent de mettre en valeurs certains mot du document, comme ceux appartenant aux différents niveaux de titres du document
2. Transformateur pdf,doc,etc en HTML ou text
   De plus en plus de ducoment sont accessibles dans des formats de plus en plus variés, une des problématiques vient de formats propriétaires qui ne sont pas normés et donc disparaisse avec les logiciels associés. Ainsi certains documents sont illisibles.
2. Quelles informations pertinentes sur les documents
1. Format du document
2. Langue utilisé pour écrire le document
3. Valeur du document
1. Longueur
2. Forme
3. Type: page de liens
4. position dans le site
4. Importance du document.
5. Auteur du document.
6. Age du document.
3. Que doit on préparer pour l'indexation.
1. Que peut on indexer
2. Que veut on indexer
3. IL y a t'il un moyen de ne pas stocker un index complet sans engendrer une grande pertes
4. Compromis espace / vitesse
5. Compromis Index / Capacité de recherche
6. Analyse Linguistique
• Polysémie
• flexions
• Langue
• sens