❣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
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>() { @Override public 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>() { @Override public 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>() { @Override public 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; @Override public 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)