写一个搜索引擎系统（Java版）

点击关注公众号，利用碎片时间学习

咋们如果用我们的小服务器去搞百度，搜狗那种引擎肯定是不行的，内属于全站搜索，我们这里做一个站内搜索。这个还是可以的，就类似于我们对网站里的资源进行搜索。

一.搜索引擎怎么搜索

搜索引擎就像一个小蜜蜂每天不停的采摘蜂蜜，就是去爬虫各个网页，然后通过爬取之后建立索引，以供于我们去搜索。

这里我们可以使用Python，或者下载文档压缩包。这里我们下包把，快多了。本来想搞一个英雄联盟的，实在找不见，要是后续有老铁找到可以分享一下。

建议大家别爬虫（要不然被告了，不过我们学校的官网倒是可以随便爬，我们当时就是拿这个练手的）

为什么要用索引呢？

因为爬的数据太多了，不索引，难道我去遍历吗？时间复杂度太大了。

这里我们需要建立索引，索引分别为正排索引，和倒排索引。

拿LOL举个例子吧，正排就相当于，我们提到无极剑圣的技能就可以联想到

Q技能阿尔法突袭
W技能冥想
E技能无双
R技能高原血统

故根据名字选技能

倒排索引就是LOL里面谁有剑

蛮王
无极剑圣
剑姬

故根据特点选择英雄

二.模块划分

1.索引模块

1）扫描下载到的文档，分析内容，构建出，正排索引和倒排索引。并且把索引内容保存到文件中。

2）加载制作i好的索引。并提供一些API实现查正排和查倒排这样的功能。

2.搜索模块

1）调用索引模块，实现一个搜索的完整过程。

输入：用户的查询词
输出：完整的搜索结果

3.web模块

需要实现一个简单的web程序，能够通过网页的形式和用户进行交互。

包含了前端和后端。

三. 怎么实现分词

分词的原理

1.基于词库

尝试把所有的词都进行穷举，把这些结果放到词典文件中。

2.基于统计

收集到很多的语料库，进行人工标注，知道了那些字在一起的概率比较大~

java中能够实现分词的第三方工具也是有很多的

比如ansj(听说唱的兄弟可能听过ansj，哈哈)这个就是一个maven中央仓库的分词第三方库。

我们直接下载最新版本然后放入pom.xml里面

test包里直接操作：我们使用这个测试代码直接搞。试一下这个包咋用。

import org.ansj.domain.Term;
import org.ansj.splitWord.analysis.ToAnalysis;
import java.util.List;
public class TastAnsj {public static void main(String[] args) {String str = "易大师是一个有超高机动性的刺客、战士型英雄，擅长利用快速的打击迅速击溃对手，易大师一般打野和走单人路，作为无极剑道的最后传人，易可以迅速砍出大量伤害，同时还能利用技能躲避猛烈的攻击，避开敌人的集火。";List<Term> terms = ToAnalysis.parse(str).getTerms();for (Term term : terms) {System.out.println(term.getName());}}
}

四.文件读取

把刚刚下载好的文档的路径复制到String中并且用常量标记。

这一步是为了用遍历的方法把所有html文件搞出来，我们这里用了一个递归，如果是绝对路径，就填加到文件链表，如果不是就递归，继续添加里面的值。

import java.io.File;
import java.util.ArrayList;//读取刚刚文档
public class Parser {private static final  String INPUT_PATH="D:/test/docs/api";public  void run(){//整个Parser类的入口//1.根据路径，去枚举出所有的文件.（html）；ArrayList<File> fileList=new ArrayList<>();enumFile(INPUT_PATH,fileList);System.out.println(fileList);System.out.println(fileList.size());//2.针对上面罗列出的文件，打开文件，读取文件内容，并进行解析//3.把在内存中构造好的索引数据结构，保定到指定的文件中。}//第一个参数表示从哪里开始遍历 //第二个表示结果。private void enumFile(String inputPath,ArrayList<File>fileList){File rootPath=new File(inputPath);//listFiles 能够获取到一层目录下的文件File[] files= rootPath.listFiles();for(File f:files){//根据当前f的类型判断是否递归。//如果f是一个普通文件，就把f加入到fileList里面//如果不是就调用递归if(f.isDirectory()){enumFile(f.getAbsolutePath(),fileList);}else {fileList.add(f);}}}public static void main(String[] args) {//通过main方法来实现整个制作索引的过程Parser parser=new Parser();parser.run();}
}

我们尝试运行一下，这里的文件也太多了吧，而且无论是什么都打印出来了。所以我们下一步就是把这些文件进行筛选，选择有用的。

else {if(f.getAbsolutePath().endsWith(",html"))fileList.add(f);
}

这个代码就是只是针对末尾为html的文件，下图就是展示结果。

4.1 打开文件，解析内容。

这里分为三个分别是解析Title，解析Url，解析内容Content

4.1.1解析Title

f.getName()是直接读取文件名字的方法。

我们用的name.substring(0,f.getName().length()-5);为什么要用总的文件名字长度减去5呢，因为.HTML刚好就是五。

private  String parseTitle(File f) {String name= f.getName();return name.substring(0,f.getName().length()-5);}

4.1.2解析Url操作

这里的url就是我们平时去一个浏览器输入一个东西下面会有一个url，这个url就是我们的绝对路径经过截取获得出我们的相对的目录，然后与我们的http进行拼接，这样就可以直接得到一个页面。

private  String parseUrl(File f) {String part1="https://docs.oracle.com/javase/8/docs/api/";String part2=f.getAbsolutePath().substring(INPUT_PATH.length());return part1+part2;}

4.1.3解析内容

以<>为开关进行对数据的读取，以int类型读取，为什么要用int而不是char呢因为int类型读完之后就变成-1可以判断一下是否读取完毕。

具体代码如下很容易理解。

private  String parseContent(File f) throws IOException {//先按照一个一个字符来读取，以<>作为开关try(FileReader fileReader=new FileReader(f)) {//加上一个是否拷贝的开关.boolean isCopy=true;//还需要准备一个结果保存StringBuilder content=new StringBuilder();while (true){//此处的read的返回值是int，不是char//如果读到文件末尾，就会返回-1，这是用int的好处；int  ret = 0;try {ret = fileReader.read();} catch (IOException e) {e.printStackTrace();}if(ret==-1) {break;}char c=(char) ret;if(isCopy){if(c=='<'){isCopy=false;continue;}//其他字符直接拷贝if(c=='\n'||c=='\r'){c=' ';}content.append(c);}else{if(c=='>'){isCopy=true;}}}return  content.toString();} catch (FileNotFoundException e) {e.printStackTrace();}return "";}

这一模块总的代码块如下：

import java.io.File;
import java.io.FileNotFoundException;
import java.io.FileReader;
import java.io.IOException;
import java.util.ArrayList;//读取刚刚文档
public class Parser {private static final  String INPUT_PATH="D:/test/docs/api";public  void run(){//整个Parser类的入口//1.根据路径，去枚举出所有的文件.（html）；ArrayList<File> fileList=new ArrayList<>();enumFile(INPUT_PATH,fileList);System.out.println(fileList);System.out.println(fileList.size());//2.针对上面罗列出的文件，打开文件，读取文件内容，并进行解析for (File f:fileList){System.out.println("开始解析"+f.getAbsolutePath());parseHTML(f);}//3.把在内存中构造好的索引数据结构，保定到指定的文件中。}private  String parseTitle(File f) {String name= f.getName();return name.substring(0,f.getName().length()-5);}private  String parseUrl(File f) {String part1="https://docs.oracle.com/javase/8/docs/api/";String part2=f.getAbsolutePath().substring(INPUT_PATH.length());return part1+part2;}private  String parseContent(File f) throws IOException {//先按照一个一个字符来读取，以<>作为开关try(FileReader fileReader=new FileReader(f)) {//加上一个是否拷贝的开关.boolean isCopy=true;//还需要准备一个结果保存StringBuilder content=new StringBuilder();while (true){//此处的read的返回值是int，不是char//如果读到文件末尾，就会返回-1，这是用int的好处；int  ret = 0;try {ret = fileReader.read();} catch (IOException e) {e.printStackTrace();}if(ret==-1) {break;}char c=(char) ret;if(isCopy){if(c=='<'){isCopy=false;continue;}//其他字符直接拷贝if(c=='\n'||c=='\r'){c=' ';}content.append(c);}else{if(c=='>'){isCopy=true;}}}return  content.toString();} catch (FileNotFoundException e) {e.printStackTrace();}return "";}private void parseHTML (File f){//解析出标题String title=parseTitle(f);//解析出对应的urlString url=parseUrl(f);//解析出对应的正文try {String content=parseContent(f);} catch (IOException e) {e.printStackTrace();}}//第一个参数表示从哪里开始遍历 //第二个表示结果。private void enumFile(String inputPath,ArrayList<File>fileList){File rootPath=new File(inputPath);//listFiles 能够获取到一层目录下的文件File[] files= rootPath.listFiles();for(File f:files){//根据当前f的类型判断是否递归。//如果f是一个普通文件，就把f加入到fileList里面//如果不是就调用递归if(f.isDirectory()){enumFile(f.getAbsolutePath(),fileList);}else {if(f.getAbsolutePath().endsWith(".html"))fileList.add(f);}}}public static void main(String[] args) {//通过main方法来实现整个制作索引的过程Parser parser=new Parser();parser.run();}
}

来源：blog.csdn.net/m0_57315623/

article/details/123829698

推荐：

主流Java进阶技术（学习资料分享）

PS：因为公众号平台更改了推送规则，如果不想错过内容，记得读完点一下“在看”，加个“星标”，这样每次新文章推送才会第一时间出现在你的订阅列表里。点“在看”支持我们吧！