搜索引擎-02-分词与全文索引

拓展阅读

搜索引擎-01-概览

搜索引擎-02-分词与全文索引

搜索引擎-03-搜索引擎原理

Crawl htmlunit 模拟浏览器动态 js 爬虫入门使用简介

Crawl jsoup 爬虫使用 jsoup 无法抓取动态 js 生成的内容

Crawl WebMagic 爬虫入门使用简介 webmagic

搜索引擎

查询，想必你不会陌生。

如何更好的查询，本文将持续记录一些点滴。

对于大部分不是专门研究搜索引擎的同学，记住以下几点即可：

1) 全网搜索引擎系统由spider， search&index， rank三个子系统构成

2) 站内搜索引擎与全网搜索引擎的差异在于，少了一个spider子系统

3) spider和search&index系统是两个工程系统，rank系统的优化却需要长时间的调优和积累

4) 正排索引（forward index）是由网页url_id快速找到分词后网页内容list<item>的过程

5) 倒排索引（inverted index）是由分词item快速寻找包含这个分词的网页list<url_id>的过程

6) 用户检索的过程，是先分词，再找到每个item对应的list<url_id>，最后进行集合求交集的过程

7) 有序集合求交集的方法有

a) 二重for循环法，时间复杂度O(n*n)

b) 拉链法，时间复杂度O(n)

c) 水平分桶，多线程并行

d) bitmap，大大提高运算并行度，时间复杂度O(n)

e) 跳表，时间复杂度为O(log(n))

Original Design

原来自己的博客进行检索。采用的是如下方式

分词->拼音->全文检索(MySQL)

友情提示:

本段较长，主要用来日后查看，可自行过滤性查看。

分词

分词-知乎

例子：

当用户输入个人博客这个关键词检索时，可以在后台进一步分为个人、博客。

<!--结巴分词-->
<dependency><groupId>com.huaban</groupId><artifactId>jieba-analysis</artifactId><version>${jieba.version}</version>
</dependency>

FenCiUtil.java

import com.huaban.analysis.jieba.JiebaSegmenter;
import com.huaban.analysis.jieba.SegToken;
import com.ryo.blog.service.util.constant.AppConstant;
import org.apache.commons.lang3.StringUtils;import java.util.List;/*** @author houbinbin* @since 1.7*/
public class FenCiUtil {/*** 分词器*/private static final JiebaSegmenter SEGMENTER = new JiebaSegmenter();/*** 中文分词, 并转成拼音** @param data* @return*/public static String process(String data) {if (StringUtils.isEmpty(data)) {return StringUtils.EMPTY;}data = data.replaceAll("\\s", AppConstant.BLANK);data = data.replaceAll(AppConstant.SINGLE_QUOTES, AppConstant.BLANK);List<SegToken> list = SEGMENTER.process(data, JiebaSegmenter.SegMode.INDEX);StringBuilder sb = new StringBuilder();for(SegToken segToken : list) {sb.append(PinYinUtil.converterToSpellWithMuti(segToken.word)).append(AppConstant.COMMA);}sb.deleteCharAt(sb.lastIndexOf(AppConstant.COMMA));return sb.toString();}
}

AppConstant.java

/*** @author houbinbin* @since 1.7*/
public class AppConstant {/*** 默认编码格式*/public static final String DEFAULT_CHARSET = "UTF-8";/*** 逗号*/public static final String COMMA = ",";/*** 圆点*/public static final String DOT = ".";/*** 空格*/public static final String BLANK = " ";/*** 单引号*/public static final String SINGLE_QUOTES = "'";/*** 下划线*/public static final String UNDERLINE = "_";}

拼音

例子:

比如查询用户老马啸西风，为了更好的用户体验。用户输入laomaxiaoxifeng、lmxxf都应该返回对应的结果。

<!--拼音4j-->
<dependency><groupId>com.belerweb</groupId><artifactId>pinyin4j</artifactId><version>${pinyin4j.version}</version>
</dependency>

PinYinUtil.java

import com.ryo.blog.service.util.constant.AppConstant;
import net.sourceforge.pinyin4j.PinyinHelper;
import net.sourceforge.pinyin4j.format.HanyuPinyinCaseType;
import net.sourceforge.pinyin4j.format.HanyuPinyinOutputFormat;
import net.sourceforge.pinyin4j.format.HanyuPinyinToneType;
import net.sourceforge.pinyin4j.format.exception.BadHanyuPinyinOutputFormatCombination;
import org.apache.commons.lang3.StringUtils;
import org.apache.commons.lang3.math.NumberUtils;import java.util.ArrayList;
import java.util.Hashtable;
import java.util.List;
import java.util.Map;/*** @author houbinbin* @since 1.7*/
public class PinYinUtil {/*** 汉字转换位汉语拼音首字母，英文字符不变，特殊字符丢失 支持多音字，生成方式如（长沙市长:cssc,zssz,zssc,cssz）** @param chines 汉字* @return 拼音*/public static String converterToFirstSpell(String chines) {StringBuffer pinyinName = new StringBuffer();char[] nameChar = chines.toCharArray();HanyuPinyinOutputFormat defaultFormat = new HanyuPinyinOutputFormat();defaultFormat.setCaseType(HanyuPinyinCaseType.LOWERCASE);defaultFormat.setToneType(HanyuPinyinToneType.WITHOUT_TONE);for (int i = 0; i < nameChar.length; i++) {if (nameChar[i] > 128) {try {// 取得当前汉字的所有全拼String[] strs = PinyinHelper.toHanyuPinyinStringArray(nameChar[i], defaultFormat);if (strs != null) {for (int j = 0; j < strs.length; j++) {// 取首字母pinyinName.append(strs[j].charAt(0));if (j != strs.length - 1) {pinyinName.append(AppConstant.COMMA);}}}// else {// pinyinName.append(nameChar[i]);// }} catch (BadHanyuPinyinOutputFormatCombination e) {e.printStackTrace();}} else {pinyinName.append(nameChar[i]);}pinyinName.append(AppConstant.BLANK);}return parseTheChineseByObject(discountTheChinese(pinyinName.toString()));}/*** 汉字转换位汉语全拼，英文字符不变，特殊字符丢失* 不支持多音字，生成方式如（重当参:zhongdangcen）** @param chines 汉字* @return 拼音*/public static String converterToSpell(String chines) {StringBuffer pinyinName = new StringBuffer();char[] nameChar = chines.toCharArray();HanyuPinyinOutputFormat defaultFormat = new HanyuPinyinOutputFormat();defaultFormat.setCaseType(HanyuPinyinCaseType.LOWERCASE);defaultFormat.setToneType(HanyuPinyinToneType.WITHOUT_TONE);for (int i = 0; i < nameChar.length; i++) {if (nameChar[i] > 128) {try {// 取得当前汉字的所有全拼String[] strs = PinyinHelper.toHanyuPinyinStringArray(nameChar[i], defaultFormat);if (strs != null && strs.length > 0) {pinyinName.append(strs[0]);}} catch (BadHanyuPinyinOutputFormatCombination e) {e.printStackTrace();}} else {pinyinName.append(nameChar[i]);}pinyinName.append(AppConstant.BLANK);}return parseTheChineseByObject(discountTheChinese(pinyinName.toString()));}/*** 汉字转换位汉语全拼，英文字符不变，特殊字符丢失* 支持多音字，生成方式如（重当参:zhongdangcen,zhongdangcan,chongdangcen* ,chongdangshen,zhongdangshen,chongdangcan）** @param chines 汉字* @return 拼音*/public static String converterToSpellWithMuti(String chines) {StringBuffer pinyinName = new StringBuffer();char[] nameChar = chines.toCharArray();HanyuPinyinOutputFormat defaultFormat = new HanyuPinyinOutputFormat();defaultFormat.setCaseType(HanyuPinyinCaseType.LOWERCASE);defaultFormat.setToneType(HanyuPinyinToneType.WITHOUT_TONE);for (int i = 0; i < nameChar.length; i++) {if (nameChar[i] > 128) {try {// 取得当前汉字的所有全拼String[] strs = PinyinHelper.toHanyuPinyinStringArray(nameChar[i], defaultFormat);if (strs != null) {for (int j = 0; j < strs.length; j++) {pinyinName.append(strs[j]);if (j != strs.length - 1) {pinyinName.append(AppConstant.COMMA);}}}} catch (BadHanyuPinyinOutputFormatCombination e) {e.printStackTrace();}} else {pinyinName.append(nameChar[i]);}pinyinName.append(AppConstant.BLANK);}return parseTheChineseByObject(discountTheChinese(pinyinName.toString()));}/*** 去除多音字重复数据** @param theStr* @return*/private static List<Map<String, Integer>> discountTheChinese(String theStr) {// 去除重复拼音后的拼音列表List<Map<String, Integer>> mapList = new ArrayList<Map<String, Integer>>();// 用于处理每个字的多音字，去掉重复Map<String, Integer> onlyOne = null;String[] firsts = theStr.split(AppConstant.BLANK);// 读出每个汉字的拼音for (String str : firsts) {onlyOne = new Hashtable();String[] china = str.split(AppConstant.COMMA);// 多音字处理for (String s : china) {Integer count = onlyOne.get(s);if (count == null) {onlyOne.put(s, NumberUtils.INTEGER_ONE);} else {onlyOne.remove(s);count++;onlyOne.put(s, count);}}mapList.add(onlyOne);}return mapList;}/*** 解析并组合拼音，对象合并方案(推荐使用)** @return*/private static String parseTheChineseByObject(List<Map<String, Integer>> list) {Map<String, Integer> first = null; // 用于统计每一次,集合组合数据// 遍历每一组集合for (int i = 0; i < list.size(); i++) {// 每一组集合与上一次组合的MapMap<String, Integer> temp = new Hashtable<String, Integer>();// 第一次循环，first为空if (first != null) {// 取出上次组合与此次集合的字符，并保存for (String s : first.keySet()) {for (String s1 : list.get(i).keySet()) {String str = s + s1;temp.put(str, 1);}}// 清理上一次组合数据if (temp != null && temp.size() > 0) {first.clear();}} else {for (String s : list.get(i).keySet()) {String str = s;temp.put(str, 1);}}// 保存组合数据以便下次循环使用if (temp != null && temp.size() > 0) {first = temp;}}String returnStr = StringUtils.EMPTY;if (first != null) {// 遍历取出组合字符串for (String str : first.keySet()) {returnStr += (str + AppConstant.COMMA);}}if (returnStr.length() > 0) {returnStr = returnStr.substring(0, returnStr.length() - 1);}return returnStr;}
}

全文检索

1、博客表

原来设计如下的表存储自己写的博客文章

DROP TABLE IF EXISTS `blog_view`.`article`;
CREATE TABLE `blog_view`.`article`
(id            BIGINT(20) AUTO_INCREMENT NOT NULLCOMMENT '主键, 自增',title         VARCHAR(256)              NOT NULLCOMMENT '标题',summary       VARCHAR(512)              NOT NULL         DEFAULT ''COMMENT '摘要',body          LONGTEXT                  NOT NULLCOMMENT '内容',category_code VARCHAR(16)               NOT NULLCOMMENT '栏目代码',category_name VARCHAR(32)               NOT NULLCOMMENT '栏目名称',created_time  DATETIME                  NOT NULLCOMMENT '创建时间',updated_time  DATETIME                                   DEFAULT NULLCOMMENT '最后更新时间',PRIMARY KEY (`id`)
)COMMENT '文章表';

2、索引表

为自己的博客表建立对应的索引表

使用方式:

每次修改文章时，对文章的title、summary、category_name、body 使用分词分成多个单词，在用拼音工具保存在article_index表。

DROP TABLE IF EXISTS `blog_view`.`article_index`;
CREATE TABLE `blog_view`.`article_index`
(id            BIGINT(20) AUTO_INCREMENT NOT NULLCOMMENT '主键, 自增',article_id    BIGINT(20)                NOT NULLCOMMENT '文章ID',title         LONGTEXT                  NOT NULLCOMMENT '标题',summary       LONGTEXT                  NOT NULL DEFAULT ''COMMENT '摘要',category_name LONGTEXT                  NOT NULLCOMMENT '栏目名称',body          LONGTEXT                  NOT NULLCOMMENT '内容',PRIMARY KEY (`id`),UNIQUE KEY `uk_article_id` (article_id)
)ENGINE = MyISAMCOMMENT '文章检索表';-- 只修复索引树
ALTER TABLE `blog_view`.`article_index`ADD FULLTEXT INDEX (`title`, `category_name`, `body`, `summary`);
REPAIR TABLE `blog_view`.`article_index` QUICK;

查询实战

比如用户输入关键词个人博客

1、分词

个人博客

2、变为拼音

geren、boke

3、检索

SELECT a.id, a.title, a.summary, a.category_code, a.category_name, a.created_time
FROM article a
WHERE AND a.id IN(SELECTai.article_idFROMarticle_index aiWHERE match(ai.title, ai.body, ai.category_name, ai.summary) against(#{key} IN BOOLEAN MODE))
ORDER BY
a.id DESC

备注