cyxlgzs
- 浏览: 90297 次
- 性别:
-
文章分类
最新评论
Lucene学习——初探搜索引擎
一、环境
1、平台：myeclipse8.5
2、框架：Lucene2.9.4/htmlparser
二、开发调试
1、直接上源码吧，加了很多注释，应该可以看得明白，如下
package org.cyxl.lucene.test;
import java.io.File;
import java.io.IOException;
import java.util.ArrayList;
import java.util.List;
import org.apache.lucene.analysis.Analyzer;
import org.apache.lucene.analysis.standard.StandardAnalyzer;
import org.apache.lucene.document.Document;
import org.apache.lucene.document.Field;
import org.apache.lucene.index.CorruptIndexException;
import org.apache.lucene.index.IndexReader;
import org.apache.lucene.index.IndexWriter;
import org.apache.lucene.queryParser.ParseException;
import org.apache.lucene.queryParser.QueryParser;
import org.apache.lucene.search.IndexSearcher;
import org.apache.lucene.search.Query;
import org.apache.lucene.search.ScoreDoc;
import org.apache.lucene.search.Searcher;
import org.apache.lucene.search.TopScoreDocCollector;
import org.apache.lucene.store.FSDirectory;
import org.apache.lucene.util.Version;
import org.htmlparser.NodeFilter;
import org.htmlparser.Parser;
import org.htmlparser.beans.StringBean;
import org.htmlparser.filters.NodeClassFilter;
import org.htmlparser.tags.LinkTag;
import org.htmlparser.util.NodeList;
import org.htmlparser.util.ParserException;
import org.htmlparser.visitors.HtmlPage;
public class ParseURL {
//索引目录
private static final String INDEX_DIR = "myindex";
//已经存在的url列表
private static List<String> urls=new ArrayList<String>();
/**
* 索引器，对目标url创建索引
* @param url 目标网址
* @throws IOException
* @throws ParserException
*/
@SuppressWarnings("deprecation")
private static void indexer(String url) throws IOException, ParserException {
//判断是新创建索引文件，还是附加方式
boolean create=false;
//存储索引的目录
File indexDir = new File(INDEX_DIR);
//目录不存在，创建该目录
if (!indexDir.exists()) {
indexDir.mkdir();
}
//判断是否需要新创建索引文件
if(indexDir.list().length<=0)
{
create=true;
}
//获取网页纯文本
String content = getText(url);
//获取网页标题
String title = getTitle(url);
System.out.println("title:" + title);
if(title==null || content==null || content.trim().equals(""))
{
return;
}
// System.out.println("content:" + content);
// URL path=new URL(url);
// InputStream stream=path.openStream();
//
// Reader reader=new InputStreamReader(stream);
// Reader reader=new InputStreamReader(new ByteArrayInputStream(content.getBytes()));
// Reader reader2=new InputStreamReader(new ByteArrayInputStream(title.getBytes()));
Document doc = new Document();
//加入url域
doc.add(new Field("url", url, Field.Store.YES,
Field.Index.UN_TOKENIZED));
//加入标题域
doc.add(new Field("title", title, Field.Store.YES,
Field.Index.ANALYZED));
// doc.add(new Field("title",reader2));
//Index.ANALYZED分词后构建索引
//加入内容域
doc.add(new Field("content", content, Field.Store.YES,
Field.Index.ANALYZED));
// doc.add(new Field("content",reader));
//根据索引目录和create的状态创建索引写磁盘对象
IndexWriter writer = new IndexWriter(FSDirectory.open(indexDir),
new StandardAnalyzer(Version.LUCENE_CURRENT), create,
IndexWriter.MaxFieldLength.LIMITED);
writer.addDocument(doc);
writer.optimize();
writer.close();
//创建了索引的网址加入到已经存在的网址列表中
urls.add(url);
}
/**
* 搜索器，根据输入的文本去搜索
* @param words 输入的文本
* @throws CorruptIndexException
* @throws IOException
* @throws ParseException
*/
@SuppressWarnings("deprecation")
private static void searcher(String words) throws CorruptIndexException,
IOException, ParseException {
File indexDir = new File(INDEX_DIR);
//根据索引目录创建读索引对象
IndexReader reader = IndexReader.open(FSDirectory.open(indexDir), true);
//搜索对象创建
Searcher searcher = new IndexSearcher(reader);
//分词
Analyzer analyzer = new StandardAnalyzer(Version.LUCENE_CURRENT);
//指定搜索的域
String field="content";
//创建查询解析对象
QueryParser parser = new QueryParser(field, analyzer);
//根据域和目标搜索文本创建查询器
Query query = parser.parse(words);
System.out.println("Searching for: " + query.toString(field));
//对结果进行打分排序
TopScoreDocCollector collector = TopScoreDocCollector.create(5 * 10,false);
searcher.search(query, collector);
//获取结果
ScoreDoc[] hits = collector.topDocs().scoreDocs;
int numTotalHits = collector.getTotalHits();
System.out.println(numTotalHits + " total matching documents");
//显示搜索结果
for (int i = 0; i < hits.length; i++) {
Document doc = searcher.doc(hits[i].doc);
String url = doc.get("url");
String title=doc.get("title");
String content=doc.get("content");
System.out.println((i + 1) + "." + title);
System.out.println("-----------------------------------");
System.out.println(content.substring(0,100)+"......");
System.out.println("-----------------------------------");
System.out.println(url);
System.out.println();
}
}
/**
* 收入网站
* @param url 网站首页url，也可以为网站地图url
* @throws ParserException
* @throws IOException
* @throws ParseException
*/
private static void addSite(String url) throws ParserException, IOException, ParseException
{
long start=System.currentTimeMillis();
System.out.println("start add...");
//获取目标网页的所有链接
List<String> links = getLinks(url);
System.out.println("url count:"+links.size());
for(int i=0;i<links.size();i++)
{
String link=links.get(i);
System.out.println((i+1)+"."+link);
if(!urls.contains(link))
{
//对未创建过索引的网页创建索引
indexer(link);
}
else
{
System.out.println("["+link+"] exist");
}
}
System.out.println("end...");
long end=System.currentTimeMillis();
System.out.println("cost "+(end-start)/1000+" seconds");
}
/**
* 获取网页纯文本
* @param url 目标网址
* @return
* @throws ParserException
*/
private static String getText(String url) throws ParserException {
StringBean sb = new StringBean();
// 设置不需要得到页面所包含的链接信息
sb.setLinks(false);
// 设置将不间断空格由正规空格所替代
sb.setReplaceNonBreakingSpaces(true);
// 设置将一序列空格由一个单一空格所代替
sb.setCollapse(true);
// 传入要解析的URL
sb.setURL(url);
// 返回解析后的网页纯文本信息
String content = sb.getStrings();
// System.out.println(content);
return content;
}
/**
* 获取网页标题
* @param path
* @return
* @throws IOException
* @throws ParserException
*/
private static String getTitle(String path) throws IOException,
ParserException {
String title = "";
try {
Parser parser=new Parser(path);
HtmlPage page = new HtmlPage(parser);
parser.visitAllNodesWith(page);
title=page.getTitle();
// URL url = new URL(path);
// URLConnection conn = url.openConnection();
// conn.setConnectTimeout(1000*5);
//
// InputStream stream = conn.getInputStream();
//
// byte[] bs = new byte[stream.available()];
// stream.read(bs);
// String str = new String(bs, "utf-8");
//
// List<String> list = new ArrayList<String>();
// Pattern pa = Pattern.compile("<title>.*?</title>");// 源码中标题正则表达式
// Matcher ma = pa.matcher(str);
// while (ma.find())// 寻找符合el的字串
// {
// list.add(ma.group());// 将符合el的字串加入到list中
// }
// for (int i = 0; i < list.size(); i++) {
// title = title + list.get(i);
// }
// title = title.replaceAll("<.*?>", "");
} catch (Exception e) {
// TODO Auto-generated catch block
//e.printStackTrace();
title = "no title";
}
return title.trim();
}
/**
* 获取网页中所有的链接
* @param url
* @return
* @throws ParserException
*/
private static List<String> getLinks(String url) throws ParserException
{
List<String> links=new ArrayList<String>();
//创建链接节点的过滤器
NodeFilter filter = new NodeClassFilter(LinkTag.class);
Parser parser = new Parser();
parser.setURL(url);
//设置目标网页的编码方式
//parser.setEncoding("utf-8");
//因为有些时候不清楚目标网页的编码方式，这里我们采用指定一
//个编码集合，然后通过试探的方式得到目标网页的编码方式
parser.setEncoding(CharsetAutoSwitch.dectedEncode(url));
NodeList list = parser.extractAllNodesThatMatch(filter);
for (int i = 0; i < list.size(); i++) {
LinkTag node = (LinkTag) list.elementAt(i);
//获取链接的目标网址
String link=node.extractLink();
if(link!=null && !link.trim().equals(""))
{
//将目标网址加入到该页面的所有网址列表中
links.add(link);
}
}
return links;
}
public static void main(String[] args) throws IOException, ParseException,
InterruptedException, ParserException {
String url = "http://struts.apache.org/";
//收入网站
addSite(url);
//搜有带有lucene词的网页
searcher("lucene");
}
}
2、这里用到了网上找的一个方法，就是获取网页的编码
package org.cyxl.lucene.test;
import org.htmlparser.Node;
import org.htmlparser.Parser;
import org.htmlparser.tags.BodyTag;
import org.htmlparser.tags.Html;
import org.htmlparser.util.NodeIterator;
/**
* 根据网页的编码类型自动匹配编码,此方法从网上搜索的，准确性有待长时间测试
*
* @author Administrator
*
*/
public class CharsetAutoSwitch {
// 字符编码集合，可根据实际编码类型进行扩充，试探器会不断试探该字符
//编码集合直到得到正确的编码方式
private static final String oriEncode = "utf-8,gb2312,gbk,iso-8859-1";
/**
* 检测URL指定的网页的字符集
*
* @param url
* @return 返回网页的实际编码方式
*/
public static String dectedEncode(String url) {
String[] encodes = oriEncode.split(",");
for (int i = 0; i < encodes.length; i++) {
if (dectedCode(url, encodes[i])) {
String code = encodes[i];
System.out.println("code:" + code);
return code;
}
}
return null;
}
/**
* 编码匹配试探器，不断去试探utf-8,gb2312,gbk,iso-8859-1等编码方式，直到得到正确的结果
*
* @param url
* @param encode
* @return
*/
public static boolean dectedCode(String url, String encode) {
try {
Parser parser = new Parser(url);
parser.setEncoding(encode);
for (NodeIterator e = parser.elements(); e.hasMoreNodes();) {
Node node = (Node) e.nextNode();
// System.out.println(node.getClass());
if (node instanceof Html || node instanceof BodyTag) {
return true;
}
}
} catch (Exception e) {
}
return false;
}
}
3、测试结果
1）项目的根目录下创建了一个名为myindex的目录，里面的问价如下
2）搜索的结果为
Searching for: lucene 7 total matching documents 1.Home - Confluence ----------------------------------- Home - Confluence Dashboard > Bookstore > Home Page Operations View Info Browse Space Pages L...... ----------------------------------- http://www.ApacheBookstore.com/ 2.Welcome to The Apache Software Foundation! ----------------------------------- Welcome to The Apache Software Foundation! The Apache Software Foundation Community-led developmen...... ----------------------------------- http://www.apache.org/ 3.Apache Struts Stats ----------------------------------- Apache Struts Stats apache > cocoon Home Stats About Index Changes FAQ Apache Stats Index ...... ----------------------------------- http://people.apache.org/~vgritsenko/stats/projects/struts 4.Thanks ----------------------------------- Thanks The Apache Software Foundation Thanks Foundation Projects People Get Involved Download...... ----------------------------------- http://apache.org/foundation/thanks.html 5.Apache Tapestry Home Page ----------------------------------- Apache Tapestry Home Page Home Getting Started Documentation Download About Community Apache ...... ----------------------------------- http://tapestry.apache.org/ 6.Licenses ----------------------------------- Licenses The Apache Software Foundation Licenses Foundation Projects People Get Involved Down...... ----------------------------------- http://www.apache.org/licenses/ 7.Sponsorship ----------------------------------- Sponsorship The Apache Software Foundation Sponsorship Foundation Projects People Get Involved...... ----------------------------------- http://apache.org/foundation/sponsorship.html
三、总结
1、该程序初步完成三个功能：网页爬虫、索引器和搜索器
2、该程序中收录的网址最好为英文网站，因为这里面的分词不支持中文。所以中文分词是接下来研究的一个重点内容
分享到：
发表评论
相关推荐
分享一套完整版视频课程——分布式搜索引擎Elasticsearch开发实战基础篇 （ElasticSearch、ELK、搜索引擎、Lucene），本教程旨在带领大家进入搜索引擎领域，从无到有，深入浅出的讲解了什么是搜索引擎，搜索引擎的...
Lucene+Heritrix(搜索引擎与信息检索)，Lucene+Heritrix(搜索引擎与信息检索)
lucene学习lucene学习lucene学习lucene学习lucene学习lucene学习lucene学习lucene学习lucene学习lucene学习lucene学习lucene学习lucene学习lucene学习lucene学习lucene学习lucene学习lucene学习lucene学习lucene学习...
基于lucene的站内搜索引擎研究，介绍了基于lucene架构的，站内搜索引擎的具体实现
资源名字：基于java+Lucene+Tomcat的搜索引擎设计与实现（源码+文档）JAVA_Lucene_Tomcat_搜索引擎.zip 资源类型：项目全套源码+文档+辅导视频 源码说明： 全部项目源码都是经过测试校正后百分百成功运行。 适合场景...
[硕士论文]_基于Lucene的Web搜索引擎实现.pdf [硕士论文]_基于MapReduce的分布式智能搜索引擎框架研究.pdf [硕士论文]_基于Nutch的垂直搜索引擎的分析与实现.pdf 一个例子学懂搜索引擎(lucene).doc 中文搜索引擎技术...
基于Lucene的全文搜索引擎研究与应用.pdf 详实的介绍Lucene的架构设计分析
注：随光盘附带的mirror.rar文件是使用Heritrix从pconline网上抓取的手机信息页面（以网站镜象格式存储），在本书最后搜索引擎完整实例中需要使用到。由于光盘容量有限，笔者删除了原始镜像目录中一部分的网页，可能...
基于Lucene的搜索引擎的研究与应用基于Lucene的搜索引擎的研究与应用
nutch+lucene开发自己的搜索引擎 第三章开源搜索引擎入门
lucene_heritrix 搜索引擎 很好的东西来看看吧
是使用java+lucene+jsp开发的搜索引擎。其中包括排序，高亮显示，以及分页等功能。效果类似百度，很炫。
毕业设计：基于lucene的桌面搜索引擎
学习Lucene和Nutch的入门书籍，学习搜索引擎开发值得一看的书籍
搜索引擎-基于Lucene的企业文档搜索引擎研究与应用.pdf
优秀研究生毕业论文，主题为关于Lucene的信息文档搜索引擎
我的毕业论文基于开源LUCENE的新闻搜索引擎的实现
完整的《Lucene+nutch搜索引擎开发》PDF版一共83.6M，无奈我上传的最高限是80M，所以切成两个。这一个是主文件，还需要下载一个副文件Lucene+nutch搜索引擎开发.z01。解压时直接放到一起，解压这个主文件就行了。
本资源有三个内容： 电子书《搜索引擎--原理、技术与系统》 和两个网友的lucene学习分析资源。
Lucene nutch 搜索引擎开发 Part1