【项目日记(三)】搜索引擎-搜索模块

PU-YUHAN 2024-07-14 15:35:03 阅读 56

❣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

在这里插入图片描述

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:

在这里插入图片描述

<code>private static String STOP_WORD_PATH="D:/doc_searcher_index/stop_word.txt";code>

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 + '\'' +code>

", url='" + url + '\'' +code>

", desc='" + desc + '\'' +code>

'}';

}

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="";code>

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)



声明

本文内容仅代表作者观点,或转载于其他网站,本站不以此文作为商业用途
如有涉及侵权,请联系本站进行删除
转载本站原创文章,请注明来源及作者。