`
Eric_2007
  • 浏览: 24938 次
  • 性别: Icon_minigender_1
  • 来自: 辽宁
社区版块
存档分类
最新评论

主题:使用开源组件搭建搜索引擎

阅读更多
//http://www.iteye.com/topic/93119


在开发中小型搜索引擎的过程中,我使用由Java开发的开源软件:jspider,htmlparser,lucence,IKAnalyzer,下面我一一道来。

lucence很著名啦,不必多说,我写的这个引擎就是在它自带的demo基础上重构的。

jspider顾名思义,是一个用Java开发的爬虫。

htmlparser是解析html页面的,因为lucene自带的html解析器不够健壮,所以用了这个。

IKAnalyzer是为lucence定做的中文分词组件,在使用中我发现效果不错。

具体的编码下次再说吧,呵呵
接着说。
用jspider从新浪和163开始爬了大约200M的材料,作为构建搜索引擎的基础,我开始了自己的搜索引擎之路。
剩下的工作就是建立索引和利用索引提供查询服务。

建立索引
我首先分析了
lucene-2.1.0\src\demo\org\apache\lucene\demo\IndexHtml.java
这个文件提供了很好的实例,我简单重构了一下就可以用了

import org.mira.lucene.analysis.MIK_CAnalyzer;
import org.apache.lucene.analysis.standard.StandardAnalyzer;
import org.apache.lucene.demo.HTMLDocument;
import org.apache.lucene.document.Document;
import org.apache.lucene.index.IndexReader;
import org.apache.lucene.index.IndexWriter;
import org.apache.lucene.index.Term;
import org.apache.lucene.index.TermEnum;
import org.apache.lucene.store.Directory;
import org.apache.lucene.store.FSDirectory;

import java.io.File;
import java.util.Date;
import java.util.Arrays;

/** Indexer for HTML files. */
public class IndexHTML {
  private IndexHTML() {}

  private static boolean deleting = false;   // true during deletion pass
  private static IndexReader reader;   // existing index
  private static IndexWriter writer;   // new index being built
  private static TermEnum uidIter;   // document id iterator

  /** Indexer for HTML files.*/
  public static void main(String[] argv) {
    try {
      String index = "index";
      boolean create = true;
      File root = null;
     

      String usage = "IndexHTML [-create] [-index <index>] <root_directory>";
/*
      if (argv.length == 0) {
        System.err.println("Usage: " + usage);
        return;
      }

      for (int i = 0; i < argv.length; i++) {
        if (argv[i].equals("-index")) {   // parse -index option
          index = argv[++i];
        } else if (argv[i].equals("-create")) {   // parse -create option
          create = true;
        } else if (i != argv.length-1) {
          System.err.println("Usage: " + usage);
          return;
        } else
          root = new File(argv[i]);
      }
*/
      Date start = new Date();
      root = new File("c://tes1");
      index = "c://index1";
      if (!create) {   // delete stale docs
        deleting = true;
        indexDocs(root, index, create);
      }
      writer = new IndexWriter(index, new MIK_CAnalyzer(), create);
      writer.setMaxBufferedDocs(30);
      writer.setMergeFactor(100);
      writer.setMaxFieldLength(1000000);
      indexDocs(root, index, create);   // add new docs

      System.out.println("Optimizing index...");
     
      writer.optimize();
      writer.close();

      Date end = new Date();

      System.out.print(end.getTime() - start.getTime());
      System.out.println(" total milliseconds");

    } catch (Exception e) {
      System.out.println(" caught a " + e.getClass() +
          "\n with message: " + e.getMessage());
    }
  }

  /* Walk directory hierarchy in uid order, while keeping uid iterator from
  /* existing index in sync.  Mismatches indicate one of: (a) old documents to
  /* be deleted; (b) unchanged documents, to be left alone; or (c) new
  /* documents, to be indexed.
   */

  private static void indexDocs(File file, String index, boolean create)
       throws Exception {
    if (!create) {   // incrementally update

      reader = IndexReader.open(index);   // open existing index
      uidIter = reader.terms(new Term("uid", "")); // init uid iterator

      indexDocs(file);

      if (deleting) {   // delete rest of stale docs
        while (uidIter.term() != null && uidIter.term().field() == "uid") {
          System.out.println("deleting " +
              HTMLDocument.uid2url(uidIter.term().text()));
          reader.deleteDocuments(uidIter.term());
          uidIter.next();
        }
        deleting = false;
      }

      uidIter.close();   // close uid iterator
      reader.close();   // close existing index

    } else   // don't have exisiting
      indexDocs(file);
  }

  private static void indexDocs(File file) throws Exception {
    if (file.isDirectory()) {   // if a directory
      String[] files = file.list();   // list its files
      Arrays.sort(files);   // sort the files
      for (int i = 0; i < files.length; i++)   // recursively index them
        indexDocs(new File(file, files[i]));

    } else if (file.getPath().endsWith(".html") || // index .html files
      file.getPath().endsWith(".htm") || // index .htm files
      file.getPath().endsWith(".txt")) { // index .txt files

      if (uidIter != null) {
        String uid = HTMLDocument.uid(file);   // construct uid for doc

        while (uidIter.term() != null && uidIter.term().field() == "uid" &&
            uidIter.term().text().compareTo(uid) < 0) {
          if (deleting) {   // delete stale docs
            System.out.println("deleting " +
                HTMLDocument.uid2url(uidIter.term().text()));
            reader.deleteDocuments(uidIter.term());
          }
          uidIter.next();
        }
        if (uidIter.term() != null && uidIter.term().field() == "uid" &&
            uidIter.term().text().compareTo(uid) == 0) {
          uidIter.next();   // keep matching docs
        } else if (!deleting) {   // add new docs
          Document doc = HTMLDocument.Document(file);
          System.out.println("adding " + doc.get("path"));
          writer.addDocument(doc);
        }
      } else {   // creating a new index
        Document doc = HTMLDocument.Document(file);
        System.out.println("adding " + doc.get("path"));
        writer.addDocument(doc);   // add docs unconditionally
      }
    }
  }
}

从源代码可以看到,中文分词已经加进去了,
而索引HTML的关键工作是由 HTMLDocument这个类完成的,需要对它进行重构


这个时候,htmlparser闪亮登场
请说jspider只能是对HTML的url进行检索,
是嘛,
不知道Heritrix这个怎么样呢,对比起来!!
分享到:
评论

相关推荐

    迅速搭建全文搜索平台——开源搜索引擎实战教程--代码.rar

    总的来说,这个实战教程将带你从零开始,通过实际操作,掌握开源搜索引擎Elasticsearch的使用,让你能够迅速搭建出自己的全文搜索平台。无论你是开发者还是系统管理员,都能从中受益,提升你的技术能力。现在就让...

    《迅速搭建全文搜索平台—开源搜索引擎实战教程》作者于天恩—代码

    在《迅速搭建全文搜索平台—开源搜索引擎实战教程》中,作者可能详细讲解了如何配置和使用这些工具。 `readme.txt` 文件可能是教程的入门指南,包含项目概述、环境配置、安装步骤和运行示例。通过阅读此文件,我们...

    信息检索的开源工具(骆卫华)

    2. 元搜索引擎:它通过调用多个现有的搜索引擎来获取结果,并将结果提供给用户。 3. 机器人搜索引擎:通过程序抓取网页内容,自动建立索引。 分布式搜索引擎拓扑结构包含NFS检索控制器、HTTP检索服务器等组件,旨在...

    基于PHP的MyEngine开源搜素引擎php版beta.zip

    6. **安装与配置**:对于开源项目,通常会提供详细的安装指南和配置文件,帮助用户快速搭建和定制搜索引擎。 7. **社区支持**:开源项目往往拥有活跃的社区,用户可以在这里获取帮助、分享经验,甚至参与到项目的...

    开源搜索网站开源搜索网站

    1. 选择合适的开源搜索引擎:根据项目需求、社区活跃度和技术栈,选择最适合的项目。 2. 安装和配置:下载源代码,按照官方文档进行安装和基本配置。 3. 数据导入:将需要搜索的数据导入搜索引擎,创建索引。 4. ...

    基于LUCENE的搜索引擎的设计与实现源代码

    本主题聚焦于基于Apache Lucene的搜索引擎设计与实现,这是一个强大的全文检索库,广泛应用于Java开发环境中。Lucene提供了高效的索引和搜索功能,使得开发者能够构建自定义的搜索引擎。 一、Lucene基础 1. Lucene...

    搜索引擎ASP.NET

    在【压缩包子文件的文件名称列表】中提到的"龙蛛搜索引擎 v2.1.2596.17577"可能是一个特定的搜索引擎产品或组件,它可能是用于搭建ASP.NET搜索引擎的一个解决方案。这个组件可能包含了数据抓取、索引构建、查询处理...

    人工智能-项目实践-搜索引擎-基于solrj开发solr主从搜索引擎服务的dubbo组件

    《基于Solrj开发Solr主从搜索引擎服务的Dubbo组件》 在现代信息技术领域,搜索引擎作为信息检索的重要工具,其高效、精准的搜索能力对于企业和用户来说具有极高的价值。本项目实践聚焦于利用Solrj开发一个支持主从...

    wordpress主题Wordpress主题:Colossus

    高质量的WordPress主题会内置SEO最佳实践,确保网站结构对搜索引擎友好,从而更容易被搜索引擎收录。 #### 安全性 安全性是任何网站不可或缺的一部分。Colossus主题应当遵循最新的安全标准,例如使用HTTPS协议、...

    wordpress主题WordPress主题:AnimeLight

    AnimeLight在开发过程中充分考虑了这一点,通过对代码进行优化,使得使用该主题构建的网站更容易被搜索引擎收录,从而提高曝光率。 #### 5. 社交媒体集成 为方便用户分享内容至各大社交媒体平台,AnimeLight集成了...

    搜索引擎Lucene+Heritrix(第二版)4

    《搜索引擎Lucene+Heritrix(第二版)4》是一本深入探讨搜索引擎技术的专业书籍,主要围绕两个核心组件——Lucene和Heritrix展开。Lucene是Apache软件基金会的一个开源全文检索库,而Heritrix则是一个网络爬虫工具,...

    nutch+lucene开发自己的搜索引擎ch3.pdf

    部分内容介绍了如何利用开源工具快速搭建具有搜索功能的系统,具体涵盖了Nutch和Lucene的基础知识及其在搜索引擎开发中的应用。 #### 二、Nutch与Lucene简介 1. **Lucene系统概述**: - **背景**: Lucene是由Doug ...

    risearch_php.zip_risearch_php_search engine php_垂直 搜索_垂直搜索_搜索引擎

    risearch_php是一个基于PHP开发的开源垂直搜索引擎,它包含了完整的Web爬虫功能,适用于需要对特定领域或主题进行深入检索的场景。垂直搜索是相对于通用搜索引擎而言,它专注于某一类信息,如产品、新闻、学术等领域...

    搜索引擎Lucene+Heritrix(第二版)

    《搜索引擎Lucene+Heritrix(第二版)》是一本深度探讨搜索引擎技术的书籍,主要聚焦于开源项目Lucene和Heritrix。Lucene是Java实现的全文搜索引擎库,而Heritrix则是一个网络爬虫工具,两者结合为构建自定义搜索...

    Java搜索引擎开题报告.doc

    ### Java搜索引擎设计与实现的关键知识点 #### 一、项目背景及目标 在信息化时代,海量的数据存储于个人电脑中,如何高效地管理这些数据成为了一个亟待解决的问题。本项目旨在设计并实现一个基于Java的桌面文件...

    2022最新版:GLOBAX V3.4主题:物流Wordpress主题+ Woocommerce.rar

    12. **文档和教程**:主题通常会附带详细的安装和使用指南,帮助用户顺利设置和管理网站。 通过压缩包中的"globax_34"文件,用户可以获取完整的主题文件,包括CSS、JavaScript、图片和其他必要的组件。在WordPress...

    顺新站内搜索引擎 v1.2

    综上所述,"顺新站内搜索引擎 v1.2"是一个使用AJAX技术,通过调用百度API实现站内搜索功能的开源解决方案。它提供完整的源代码,用户可以根据自己的需求进行定制,并且附带相关资料以便用户学习和部署。通过这个系统...

Global site tag (gtag.js) - Google Analytics