拓展阅览
Crawl htmlunit 模拟浏览器动态 js 爬虫入门运用简介
Crawl jsoup 爬虫运用 jsoup 无法抓取动态 js 生成的内容
Crawl WebMagic 爬虫入门运用简介 webmagic
查找引擎
查询,想必你不会陌生。
怎么更好的查询,本文将持续记录一些点滴。
关于大部分不是专门研究查找引擎的同学,记住以下几点即可:
-
全网查找引擎体系由spider, search&index, rank三个子体系构成
-
站内查找引擎与全网查找引擎的差异在于,少了一个spider子体系
-
spider和search&index体系是两个工程体系,rank体系的优化却需求长期的调优和堆集
-
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>
的进程 -
倒排索引(inverted index)是由分词item快速寻找包括这个分词的网页list
<url_id>
的进程 -
用户检索的进程,是先分词,再找到每个item对应的
list<url_id>
,最终进行调集求交集的进程 -
有序调集求交集的办法有
a) 二重for循环法,时刻复杂度O(n*n)
b) 拉链法,时刻复杂度O(n)
c) 水平分桶,多线程并行
d) bitmap,大大提高运算并行度,时刻复杂度O(n)
e) 跳表,时刻复杂度为O(log(n))
Original Design
本来自己的博客进行检索。采用的是如下方法
分词->拼音->全文检索(MySQL)
友谊提示:
- 本段较长,首要用来日后检查,可自行过滤性检查。
分词
比如:
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。
- jar
<!--结巴分词-->
<dependency>
<groupId>com.huaban</groupId>
<artifactId>jieba-analysis</artifactId>
<version>${jieba.version}</version>
</dependency>
- FenCiUtil.java
import com.huaban.analysis.jieba.JiebaSegmenter;
import com.huaban.analysis.jieba.SegToken;
import com.ryo.blog.service.util.constant.AppConstant;
import org.apache.commons.lang3.StringUtils;
import java.util.List;
/**
* @author houbinbin
* @since 1.7
*/
public class FenCiUtil {
/**
* 分词器
*/
private static final JiebaSegmenter SEGMENTER = new JiebaSegmenter();
/**
* 中文分词, 并转成拼音
*
* @param data
* @return
*/
public static String process(String data) {
if (StringUtils.isEmpty(data)) {
return StringUtils.EMPTY;
}
data = data.replaceAll("\s", AppConstant.BLANK);
data = data.replaceAll(AppConstant.SINGLE_QUOTES, AppConstant.BLANK);
List<SegToken> list = SEGMENTER.process(data, JiebaSegmenter.SegMode.INDEX);
StringBuilder sb = new StringBuilder();
for(SegToken segToken : list) {
sb.append(PinYinUtil.converterToSpellWithMuti(segToken.word)).append(AppConstant.COMMA);
}
sb.deleteCharAt(sb.lastIndexOf(AppConstant.COMMA));
return sb.toString();
}
}
- AppConstant.java
/**
* @author houbinbin
* @since 1.7
*/
public class AppConstant {
/**
* 默许编码格局
*/
public static final String DEFAULT_CHARSET = "UTF-8";
/**
* 逗号
*/
public static final String COMMA = ",";
/**
* 圆点
*/
public static final String DOT = ".";
/**
* 空格
*/
public static final String BLANK = " ";
/**
* 单引号
*/
public static final String SINGLE_QUOTES = "'";
/**
* 下划线
*/
public static final String UNDERLINE = "_";
}
拼音
比如:
比如查询用户老马啸西风,为了更好的用户体验。用户输入laomaxiaoxifeng、lmxxf都应该回来对应的结果。
- jar
<!--拼音4j-->
<dependency>
<groupId>com.belerweb</groupId>
<artifactId>pinyin4j</artifactId>
<version>${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,特别字符丢掉 支撑多音字,生成方法如(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 {
// 获得当时汉字的一切全拼
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,特别字符丢掉
* 不支撑多音字,生成方法如(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 {
// 获得当时汉字的一切全拼
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,特别字符丢掉
* 支撑多音字,生成方法如(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 {
// 获得当时汉字的一切全拼
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(引荐运用)
*
* @return
*/
private static String parseTheChineseByObject(
List<Map<String, Integer>> list) {
Map<String, Integer> first = null; // 用于计算每一次,调集组合数据
// 遍历每一组调集
for (int i = 0; i < list.size(); i++) {
// 每一组调集与上一次组合的Map
Map<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调集的字符,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运用
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
本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 NULL
COMMENT '主键, 自增',
title VARCHAR(256) NOT NULL
COMMENT '标题',
summary VARCHAR(512) NOT NULL DEFAULT ''
COMMENT '摘要',
body LONGTEXT NOT NULL
COMMENT '内容',
category_code VARCHAR(16) NOT NULL
COMMENT '栏目代码',
category_name VARCHAR(32) NOT NULL
COMMENT '栏目称号',
created_time DATETIME NOT NULL
COMMENT '创建时刻',
updated_time DATETIME DEFAULT NULL
COMMENT '最终更新时刻',
PRIMARY KEY (`id`)
)
COMMENT '文章表';
2、索引表
为自己的博客表树立对应的索引表
运用方法:
每次修改文章时,对文章的title、summary、category_name、body 运用分词分红多个单词,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 NULL
COMMENT '主键, 自增',
article_id BIGINT(20) NOT NULL
COMMENT '文章ID',
title LONGTEXT NOT NULL
COMMENT '标题',
summary LONGTEXT NOT NULL DEFAULT ''
COMMENT '摘要',
category_name LONGTEXT NOT NULL
COMMENT '栏目称号',
body LONGTEXT NOT NULL
COMMENT '内容',
PRIMARY KEY (`id`),
UNIQUE KEY `uk_article_id` (article_id)
)
ENGINE = MyISAM
COMMENT '文章检索表';
-- 只修正索引树
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
(
SELECT
ai.article_id
FROM
article_index ai
WHERE match(ai.title, ai.body, ai.category_name, ai.summary) against(#{key} IN BOOLEAN MODE)
)
ORDER BY
a.id DESC
补白
- 文章的检索表是设定为
MyISAM
的, 本来我也以为 MySQL只要这个才支撑 全文检索。INNODB 在5.6之后是支撑的,且自带分词器。
More
个人小结
-
关于最简略的查询,可以运用 jiebe 进行分词。结合 pinyin 对存储的中心字段的拼音全拼写,简拼写进行存储,然后索引即可。
-
关于文章等常见信息,如果想运用全文索引,就可以采用数据库自带的全文索引。