撸了个搜索引擎系统，爽！-技术圈

上一篇：字节跳动面试经验总结，已顺利拿到offer！

作者：爱编程的快乐人

来源：blog.csdn.net/m0_57315623/article/details/123829698

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。

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
1.蛮王
2.无极剑圣
3.剑姬
故根据特点选择英雄

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。

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());        }    }}

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。

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

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);
    }

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;    }

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url          String 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();    }}

感谢您的阅读，也欢迎您发表关于这篇文章的任何建议，关注我，技术不迷茫！小编到你上高速。

· END ·

最后，关注公众号互联网架构师，在后台回复：2T，可以获取我整理的 Java 系列面试题和答案，非常齐全。

正文结束