❣博主主页: 33的博客❣
▶️文章专栏分类:项目日记◀️
🚚我的代码仓库: 33的代码仓库🚚
🫵🫵🫵关注我带你了解更多项目内容
目录
- 1.前言
- 2.项目回顾
- 3.搜索流程
- 3.1分词
- 3.2触发
- 3.3去重
- 3.4排序
- 3.5包装
- 4.总结
1.前言
在前面的文章中，我们已经完成了索引的制作，既然已经制作好了索引，我们该如何更具输入内容，匹配对应的结果呢?接下来我们就一起完成搜索模块。
2.项目回顾
到目前为止，我们已经实现了2个类，Parser和Index。
实现Parser类：
1.通过递归枚举出所有的HTML文件。
2.针对每一个HTML进行解析操作。
a)标题：直接使用文件名称
b)URL:基于文件路径进行简单的字符串拼接
c)正文：去掉script和html标签
3.把解析内容通过addDoc放入Index类中
实现Index类：
正排索引：ArrayList
倒排索引：HashMap<String,ArrayList>
1.查正排：直接按照下标来取ArrayList中的元素
2.查倒排：直接按照Key，来区HashMap中的元素
3.添加文档，供Parser类调用
a)构建正排索引，构造DocInfo对象，添加到索引末尾
b)构建倒排索引，先对标题，正文进行分词操作，统计词频，添加到Map中去
4.保存索引：基于json格式把索引数据保存到指定文件中。
5.加载索引：基于json格式对数据进行解析，存入内存。
3.搜索流程
- 1.【分词】根据输入内容进行分词操作
- 2.【触发】针对分词结果来查倒排
- 3.【去重】针对相同的文档进行去重
- 4.【排序】针对去重结果按照权重排序
- 5.【包装】针对排序结果查正牌，包装为Result进行返回数据
3.1分词
在使用Ansj技术进行分词操作的时候，会把空格，以及一些高频词例如a，an，is 等词语都分出来，但这些词语和我们的查询内容关联性并不大，我们就单独罗列出来，进行排除。网上有许多暂停词表可以自行下载，例如：
private static String STOP_WORD_PATH="D:/doc_searcher_index/stop_word.txt";
private HashSet<String> stopWords=new HashSet<>();
public DocSearcher(){index.load();loadStopWords();}
public void loadStopWords(){try (BufferedReader bufferedReader=new BufferedReader(new FileReader(STOP_WORD_PATH))){while (true){String line=bufferedReader.readLine();if (line==null){break;}stopWords.add(line);}} catch (IOException e) {throw new RuntimeException(e);}}
List<Term> oldTerms=ToAnalysis.parse(query).getTerms();List<Term> terms=new ArrayList<>();for (Term term:oldTerms){if (stopWords.contains(term.getName())){continue;}terms.add(term);}
3.2触发
List<List<Weight>> termResult=new ArrayList<>();for (Term term:terms){String word=term.getName();List<Weight> invertedList=index.getInverted(word);if (invertedList==null){continue;}termResult.add(invertedList);}
3.3去重
前面，我们对用户输入的结果进行触发操作的时候，一个词可能出现在多个文档中，同理，一个文档也可能存在多个分词结果，如果我们不对相同的文档进行去重，那么一个文档针对不同的分词结果就会出现多次，这样显然不合理的。索引我们需要对相同的文档进行去重。那么具体该如何操作呢？触发的结果是一个二维数组，可以利用两个有序数组排序的思想进行去重，只不过这里运用的是多个有序数组排序。
- 1.针对每一行按照升序排序
- 2.借助优先级队列，争对多个有序数组进行合并
- 3.初始化队列，把每一行第一个元素放入队列
- 4.循环的取每行首个元素，遇到相同的DocId，权重相加
List<Weight> allTermResult=mergeResult(termResult);static class Pos{public int row;public int col;public Pos(int row, int col) {this.row = row;this.col = col;}}private List<Weight> mergeResult(List<List<Weight>> source) {//1.针对每一行按照升序排序for (List<Weight> curRow:source){curRow.sort(new Comparator<Weight>() {@Overridepublic int compare(Weight o1, Weight o2) {return o1.getDocId()-o2.getDocId();}});}//2.借助优先级队列，争对多个有序数组进行合并List<Weight> target=new ArrayList<>();PriorityQueue<Pos> queue=new PriorityQueue<>(new Comparator<Pos>() {@Overridepublic int compare(Pos o1, Pos o2) {Weight w1=source.get(o1.row).get(o1.col);Weight w2=source.get(o2.row).get(o2.col);return w1.getDocId()-w2.getDocId();}});//3.初始化队列，把每一行第一个元素放入队列for (int row=0;row<source.size();row++){queue.offer(new Pos(row,0));}//循环的取每行首个元素while (!queue.isEmpty()){Pos minPos=queue.poll();Weight curWeight=source.get(minPos.row).get(minPos.col);if (target.size()>0){Weight lastWeight=target.get(target.size()-1);//遇到相同的文章，权重相加if (lastWeight.getDocId()==curWeight.getDocId()){lastWeight.setWeight(lastWeight.getWeight()+curWeight.getWeight());}else {target.add(curWeight);}}else {target.add(curWeight);}Pos newPos=new Pos(minPos.row,minPos.col+1);if (newPos.col>=source.get(newPos.row).size()){continue;}queue.offer(newPos);}return target;}3.4排序
allTermResult.sort(new Comparator<Weight>() {@Overridepublic int compare(Weight o1, Weight o2) {//按照降序排序return o2.getWeight()-o1.getWeight();}});
3.5包装
需要注意的是返回的结果为标题，URL，描述，而描述不能直接把正文返回，而是返回一段包含用户分词结果的一小段描述。生成描述的思路：可以回去到所有分词结果，遍历分词结果，看哪个结果在正文中出现，那么直接截取分词的前10个字符和后160个字符来进行描述。
public class Result {private String title;private String url;private String desc;@Overridepublic String toString() {return "Result{" +"title='" + title + '\'' +", url='" + url + '\'' +", desc='" + desc + '\'' +'}';}public String getTitle() {return title;}public void setTitle(String title) {this.title = title;}public String getUrl() {return url;}public void setUrl(String url) {this.url = url;}public String getDesc() {return desc;}public void setDesc(String desc) {this.desc = desc;}
}List<Result> results=new ArrayList<>();for (Weight weight:allTermResult){DocInfo docInfo=index.getDocInfo(weight.getDocId());Result result=new Result();result.setTitle(docInfo.getTitle());result.setUrl(docInfo.getUrl());result.setDesc(GenDesc(docInfo.getContent(),terms));results.add(result);}
private String GenDesc(String content, List<Term> terms) {int firstPos=-1;for (Term term:terms){String word=term.getName();//避免出现word前后带有标点符号content=content.toLowerCase().replaceAll("\\b"+word+"\\b"," "+word+" ");firstPos=content.indexOf(" "+word+" ");if (firstPos>=0){break;}}if (firstPos==-1){if (content.length()>160){return content.substring(0,160)+"...";}return content;}String desc="";int descBeg=firstPos<60?0:firstPos-60;if (descBeg+160>content.length()){desc=content.substring(descBeg);}else {desc=content.substring(descBeg,descBeg+160)+"...";}//把描述中和分词结果相同的部分设置为斜体加上<i>标签，方便前端标红for (Term term:terms){String word=term.getName();//进行忽略大小写的全词匹配desc=desc.replaceAll("(?i) "+word+" ","<i> "+word+" </i>");}return desc;}
4.总结
这篇文章主要介绍了，搜索引擎的搜锁模块，这部分的难点主要是去重操作，去重的时候需要用到我们之前学过的数据结构，小根堆结合多个有序数组完成去重操作！
下期预告：搜索引擎（四）
