Indexation de données non structurées

Elasticsearch : Un moteur de recherche et d'indexation de texte largement utilisé pour indexer des données non structurées, comme des logs ou des contenus textuels.

Plus léger : Meilisearch

L’indexation d’un document est un procédé consistant à le marquer ou à l’associer avec certains types d’information. L’opération facilite ensuite la recherche et la récupération des informations grâce à un moteur de recherche.

La recherche sur MeiliSearch permet :

• D'interroger plus rapidement les document déjà indexées
• De rechercher avec plus de flexibilité (filtres, tolérance aux fautes, suggestions, etc.).
• De tester des requêtes différentes (exemple : “boulangeries artisanales” après avoir indexé toutes les boulangeries).

docker run -p 7700:7700 getmeili/meilisearch

Cela lance MeiliSearch en arrière-plan sur le port 7700.

Tester : curl http://localhost:7700/health → {“status”:“available”}

Indexer des documents (titres de livres) : On va créer un index nommé books et y ajouter des documents.

curl -X POST 'http://localhost:7700/indexes/books/documents' -H 'Content-Type:application/json' --data-binary '[{"id":1,"title":"petit prince"},{"id":2,"title":"Le soulier de satin"},{"id":3,"title":"Les Misérables"},{"id":4,"title":"1984"}]'

Puis rechercher un document On va chercher tous les livres contenant “Prince” :

curl -X GET 'http://localhost:7700/indexes/books/search' 
-H 'Content-Type: application/json' 
--data-binary '{
    "q": "Prince"
}'

MeiliSearch retourne les documents correspondants avec une recherche full-text rapide !

Indexer des documents (titres de livres) : On va créer un index nommé movies et y ajouter des documents.

1. installer Postman
2. Vérifier que Meilisearch fonctionne : Méthode : GET(recherche) URL : http://localhost:7700/health
   • Attendu : { “status”: “available” }
3. Créer un index (si non existant) : Méthode : POST(création) URL : http://localhost:7700/indexes
   • Headers (Key:Value):
     • Content-Type: application/json
     • Body (raw→JSON) :

       {
         "uid": "movies",
         "primaryKey": "id"
       }

4. Indexer des documents : Méthode : POST URL : http://localhost:7700/indexes/movies/documents Headers : Content-Type: application/json
   • Body (raw→JSON) :

       
     [
       {
         "id": 1,
         "title": "Inception",
         "genre": "Sci-Fi"
       },
       {
         "id": 2,
         "title": "The Dark Knight",
         "genre": "Action"
       }
     ]

5. Rechercher des documents contenant “inception” : Méthode : GET URL : http://localhost:7700/indexes/movies/search?q=inception

On va utiliser un jeu de données public contenant du texte.

Quelques sources intéressantes :

Livres et œuvres littéraires

• Open Library API → Données de livres (titres, auteurs, sujets).
• Projet Gutenberg → Textes de livres libres de droits.

Données gouvernementales

• data.gouv.fr → Documents publics, articles, descriptions.
• data.gov → Données ouvertes américaines.

Articles Wikipédia

• Wikidata → Informations structurées de Wikipédia.
• Wikipedia Dumps → Extractions de pages.

On va utiliser l'API Recherche d’entreprises de data.gouv.fr : https://www.data.gouv.fr/fr/dataservices/api-recherche-dentreprises/

L’API est accessible via : 🔗 https://recherche-entreprises.api.gouv.fr/

Exemple de requête pour chercher les documents contenant “boulangerie” :

curl -X GET “https://recherche-entreprises.api.gouv.fr/search?q=boulangerie&per_page=5” Cela retourne une liste d'entreprises avec leurs infos (nom, SIRET, activité, adresse, etc.).

Le faire avec Postman.

On va récupérer ces données et les envoyer dans MeiliSearch en format JSON.

<?php

// 1/Fonction pour récupérer les entreprises depuis l'API Recherche d'entreprises
function rechercherEntreprises($query, $limit) {
    $url = "https://recherche-entreprises.api.gouv.fr/search?q=" . urlencode($query) . "&per_page=" . $limit;
    
    $ch = curl_init();
    curl_setopt($ch, CURLOPT_URL, $url);
    curl_setopt($ch, CURLOPT_RETURNTRANSFER, true);
    
    $response = curl_exec($ch);
    curl_close($ch);
    
    return json_decode($response, true)['results'] ?? [];
}

// 2/Fonction pour envoyer les données à MeiliSearch
function indexerDansMeiliSearch($data) {
    $meiliUrl = "http://localhost:7700/indexes/entreprises/documents";
    
    $ch = curl_init();
    curl_setopt($ch, CURLOPT_URL, $meiliUrl);
    curl_setopt($ch, CURLOPT_RETURNTRANSFER, true);
    curl_setopt($ch, CURLOPT_POST, true);
    curl_setopt($ch, CURLOPT_HTTPHEADER, ['Content-Type: application/json']);
    curl_setopt($ch, CURLOPT_POSTFIELDS, json_encode($data));
    
    $response = curl_exec($ch);
    curl_close($ch);
    
    return $response;
}

// 3/Exécution : récupérer et indexer les entreprises
$query = "boulangerie"; // Modifier la recherche ici
$entreprises = rechercherEntreprises($query, 10);

$formattedData = array_map(function ($entreprise) {
    return [
        "id" => $entreprise['siren'],
        "nom" => $entreprise['nom_entreprise'] ?? "Inconnu",
        "siret" => $entreprise['siret'] ?? "Inconnu",
        "activite" => $entreprise['libelle_activite'] ?? "Non renseignée",
        "adresse" => $entreprise['adresse'] ?? "Inconnue"
    ];
}, $entreprises);

// 4/Envoyer à MeiliSearch
$result = indexerDansMeiliSearch($formattedData);
echo "Résultat de l'indexation : " . $result;

Après indexation, on peut tester une recherche dans MeiliSearch :

curl -X POST 'http://localhost:7700/indexes/entreprises/search' \
     -H 'Content-Type: application/json' \
     --data-binary '{
         "q": "boulangerie artisanale"
     }'

Cela retournera les entreprises ou le mot “boulangerie artisanal” apparaît.

• Ajouter plus de données (augmenter limit=100).
• Tester avec d’autres sources (Wikipedia, data.gouv).
• Indexer des descriptions et extraits pour la recherche plein texte.