第八章索引器

原文：Chapter 8 Indexer

译者：飞龙

协议：CC BY-NC-SA 4.0

自豪地采用谷歌翻译

目前，我们构建了一个基本的 Web 爬虫；我们下一步将是索引。在网页搜索的上下文中，索引是一种数据结构，可以查找检索词并找到该词出现的页面。此外，我们想知道每个页面上显示检索词的次数，这将有助于确定与该词最相关的页面。

例如，如果用户提交检索词“Java”和“编程”，我们将查找两个检索词并获得两组页面。带有“Java”的页面将包括 Java 岛屿，咖啡昵称以及编程语言的网页。具有“编程”一词的页面将包括不同编程语言的页面，以及该单词的其他用途。通过选择具有两个检索词的页面，我们希望消除不相关的页面，并找到 Java 编程的页面。

现在我们了解索引是什么，它执行什么操作，我们可以设计一个数据结构来表示它。

8.1 数据结构选取

索引的基本操作是查找；具体来说，我们需要能够查找检索词并找到包含它的所有页面。最简单的实现将是页面的集合。给定一个检索词，我们可以遍历页面的内容，并选择包含检索词的内容。但运行时间与所有页面上的总字数成正比，这太慢了。

一个更好的选择是一个映射（字典），它是一个数据结构，表示键值对的集合，并提供了一种方法，快速查找键以及相应值。例如，我们将要构建的第一个映射是TermCounter，它将每个检索词映射为页面中出现的次数。键是检索词，值是计数（也称为“频率”）。

Java 提供了Map的调用接口，它指定映射应该提供的方法；最重要的是：

get(key)：此方法查找一个键并返回相应的值。
put(key, value)：该方法向Map添加一个新的键值对，或者如果该键已经在映射中，它将替换与key关联的值。

Java 提供了几个Map实现，包括我们将关注的两个，HashMap以及TreeMap。在即将到来的章节中，我们将介绍这些实现并分析其性能。

除了检索词到计数的映射TermCounter之外，我们将定义一个被称为Index的类，它将检索词映射为出现的页面的集合。而这又引发了下一个问题，即如何表示页面集合。同样，如果我们考虑我们想要执行的操作，它们就指导了我们的决定。

在这种情况下，我们需要组合两个或多个集合，并找到所有这些集合中显示的页面。你可以将此操作看做集合的交集：两个集合的交集是出现在两者中的一组元素。

你可能猜到了，Java 提供了一个Set接口，来定义集合应该执行的操作。它实际上并不提供设置交集，但它提供了方法，使我们能够有效地实现交集和其他结合操作。核心的Set方法是：

add(element)：该方法将一个元素添加到集合中；如果元素已经在集合中，则它不起作用。
contains(element)：该方法检查给定元素是否在集合中。

Java 提供了几个Set实现，包括HashSet和TreeSet。

现在我们自顶向下设计了我们的数据结构，我们将从内到外实现它们，从TermCounter开始。

8.2 `TermCounter`

TermCounter是一个类，表示检索词到页面中出现次数的映射。这是类定义的第一部分：

public class TermCounter {private Map<String, Integer> map;private String label;public TermCounter(String label) {this.label = label;this.map = new HashMap<String, Integer>();}
}

实例变量map包含检索词到计数的映射，并且label标识检索词的来源文档；我们将使用它来存储 URL。

为了实现映射，我选择了HashMap，它是最常用的Map。在几章中，你将看到它是如何工作的，以及为什么它是一个常见的选择。

TermCounter提供put和get，定义如下：

    public void put(String term, int count) {map.put(term, count);}public Integer get(String term) {Integer count = map.get(term);return count == null ? 0 : count;}

put只是一个包装方法；当你调用TermCounter的put时，它会调用内嵌映射的put。

另一方面，get做了一些实际工作。当你调用TermCounter的get时，它会在映射上调用get，然后检查结果。如果该检索词没有出现在映射中，则TermCount.get返回0。get的这种定义方式使incrementTermCount的写入更容易，它需要一个检索词，并增加关联该检索词的计数器。

    public void incrementTermCount(String term) {put(term, get(term) + 1);}

如果这个检索词未见过，则get返回0；我们设为1，然后使用put向映射添加一个新的键值对。如果该检索词已经在映射中，我们得到旧的计数，增加1，然后存储新的计数，替换旧的值。

此外，TermCounter还提供了这些其他方法，来帮助索引网页：

    public void processElements(Elements paragraphs) {for (Node node: paragraphs) {processTree(node);}}public void processTree(Node root) {for (Node node: new WikiNodeIterable(root)) {if (node instanceof TextNode) {processText(((TextNode) node).text());}}}public void processText(String text) {String[] array = text.replaceAll("\\pP", " ").toLowerCase().split("\\s+");for (int i=0; i<array.length; i++) {String term = array[i];incrementTermCount(term);}}

最后，这里是一个例子，展示了如何使用TermCounter：

    String url = "http://en.wikipedia.org/wiki/Java_(programming_language)";WikiFetcher wf = new WikiFetcher();Elements paragraphs = wf.fetchWikipedia(url);TermCounter counter = new TermCounter(url);counter.processElements(paragraphs);counter.printCounts();

这个示例使用了WikiFetcher从维基百科下载页面，并解析正文。之后它创建了TermCounter并使用它来计数页面上的单词。

下一节中，你会拥有一个挑战，来运行这个代码，并通过填充缺失的方法来测试你的理解。

8.3 练习 6

在本书的存储库中，你将找到此练习的源文件：

TermCounter.java包含上一节中的代码。
TermCounterTest.java包含测试代码TermCounter.java。
Index.java包含本练习下一部分的类定义。
WikiFetcher.java包含我们在上一个练习中使用的，用于下载和解析网页的类。
WikiNodeIterable.java包含我们用于遍历 DOM 树中的节点的类。

你还会发现 Ant 构建文件build.xml。

运行ant build来编译源文件。然后运行ant TermCounter；它应该运行上一节中的代码，并打印一个检索词列表及其计数。输出应该是这样的：

genericservlet, 2
configurations, 1
claimed, 1
servletresponse, 2
occur, 2
Total of all counts = -1

运行它时，检索词的顺序可能不同。

最后一行应该打印检索词计数的总和，但是由于方法size不完整而返回-1。填充此方法并ant TermCounter重新运行。结果应该是4798。

运行ant TermCounterTest来确认这部分练习是否完整和正确。

对于练习的第二部分，我将介绍Index对象的实现，你将填充一个缺失的方法。这是类定义的开始：

public class Index {private Map<String, Set<TermCounter>> index = new HashMap<String, Set<TermCounter>>();public void add(String term, TermCounter tc) {Set<TermCounter> set = get(term);// if we're seeing a term for the first time, make a new Setif (set == null) {set = new HashSet<TermCounter>();index.put(term, set);}// otherwise we can modify an existing Setset.add(tc);}public Set<TermCounter> get(String term) {return index.get(term);}

实例变量index是每个检索词到一组TermCounter对象的映射。每个TermCounter表示检索词出现的页面。

add方法向集合添加新的TermCounter，它与检索词关联。当我们索引一个尚未出现的检索词时，我们必须创建一个新的集合。否则我们可以添加一个新的元素到一个现有的集合。在这种情况下，set.add修改位于index里面的集合，但不会修改index本身。我们唯一修改index的时候是添加一个新的检索词。

最后，get方法接受检索词并返回相应的TermCounter对象集。

这种数据结构比较复杂。回顾一下，Index包含Map，将每个检索词映射到TermCounter对象的Set，每个TermCounter包含一个Map，将检索词映射到计数。

图 8.1 Index的对象图

图 8.1 是展示这些对象的对象图。Index对象具有一个名为index 的Map实例变量。在这个例子中，Map只包含一个字符串，"Java"，它映射到一个Set，包含两个TermCounter对象的，代表每个出现单词“Java”的页面。

每个TermCounter包含label，它是页面的 URL，以及map，它是Map，包含页面上的单词和每个单词出现的次数。

printIndex方法展示了如何解压缩此数据结构：

    public void printIndex() {// loop through the search termsfor (String term: keySet()) {System.out.println(term);// for each term, print pages where it appears and frequenciesSet<TermCounter> tcs = get(term);for (TermCounter tc: tcs) {Integer count = tc.get(term);System.out.println("    " + tc.getLabel() + " " + count);}}}

外层循环遍历检索词。内层循环迭代TermCounter对象。

运行ant build来确保你的源代码已编译，然后运行ant Index。它下载两个维基百科页面，对它们进行索引，并打印结果；但是当你运行它时，你将看不到任何输出，因为我们已经将其中一个方法留空。

你的工作是填写indexPage，它需要一个 URL（一个String）和一个Elements对象，并更新索引。下面的注释描述了应该做什么：

public void indexPage(String url, Elements paragraphs) {// 生成一个 TermCounter 并统计段落中的检索词// 对于 TermCounter 中的每个检索词，将 TermCounter 添加到索引
}

它能工作之后，再次运行ant Index，你应该看到如下输出：

...
configurationshttp://en.wikipedia.org/wiki/Programming_language 1http://en.wikipedia.org/wiki/Java_(programming_language) 1
claimedhttp://en.wikipedia.org/wiki/Java_(programming_language) 1
servletresponsehttp://en.wikipedia.org/wiki/Java_(programming_language) 2
occurhttp://en.wikipedia.org/wiki/Java_(programming_language) 2

当你运行的时候，检索词的顺序可能有所不同。

同样，运行ant TestIndex来确定完成了这部分练习。

数据结构思维第八章索引器相关推荐

数据结构思维第六章树的遍历
第六章树的遍历原文:Chapter 6 Tree traversal 译者:飞龙协议:CC BY-NC-SA 4.0 自豪地采用谷歌翻译本章将介绍一个 Web 搜索引擎,我们将在本书其余部分开 ...
C# list集合重复元素索引_C#学习笔记12--集合/索引器/扩展
在游戏开发的时候, 经常需要创建和管理相关对象组, 比如服务器列表, 商城物品列表等等. 在从服务器拿到这些数据的时候, 首先需要将他们存放到一个数据集合里面, 然后对集合中的数据循环遍历进行处理. ...
数据结构思维第十五章爬取维基百科
第十五章爬取维基百科原文:Chapter 15 Crawling Wikipedia 译者:飞龙协议:CC BY-NC-SA 4.0 自豪地采用谷歌翻译在本章中,我展示了上一个练习的解决方案, ...
数据结构思维第十四章持久化
第十四章持久化原文:Chapter 14 Persistence 译者:飞龙协议:CC BY-NC-SA 4.0 自豪地采用谷歌翻译在接下来的几个练习中,我们将返回到网页搜索引擎的构建.为了回 ...
数据结构思维第一章接口
第一章接口原文:Chapter 1 Interfaces 译者:飞龙协议:CC BY-NC-SA 4.0 自豪地采用谷歌翻译本书展示了三个话题: 数据结构:从 Java 集合框架(JCF)中的 ...
读CLR via C#总结(9) 索引器(有参属性)
索引器,即访问器接受参数的属性.在C#中是以数组风格的语法来公开索引器的.所以这使得对象可按照与数组相似的方式进行索引. 一,定义索引器 internal class IndexerTest<T ...
《.Net框架程序设计》读书笔记之结构和索引器
一:结构和索引器(又称含参属性) class classStruct { struct MyStruct { public string[] strTest; ...
C#拾遗系列(4)：索引器
1. 概述索引器允许类或结构的实例就像数组一样进行索引.索引器类似于属性,不同之处在于它们的访问器采用参数.索引器在语法上方便您创建客户端应用程序可将其作为数组访问的类.结构或接口.索引器经常是在主 ...
python indexerror_python – “IndexError：位置索引器超出范围”,当它们明显没有时
这是我正在使用的一些代码的MWE.我通过切片和一些条件慢慢缩小初始数据帧,直到我只有我需要的行.每行五行实际上代表一个不同的对象,因此,当我减少一些事情时,如果每个五个块中的任何一行符合条件,我想保留 ...

数据结构思维第八章索引器

第八章索引器

8.1 数据结构选取

8.2 `TermCounter`

8.3 练习 6

数据结构思维第八章索引器相关推荐

最新文章

热门文章

数据结构思维 第八章 索引器

第八章 索引器

8.1 数据结构选取

8.2 TermCounter

8.3 练习 6

数据结构思维 第八章 索引器相关推荐

最新文章

热门文章

数据结构思维第八章索引器

第八章索引器

8.2 `TermCounter`

数据结构思维第八章索引器相关推荐