拓展阅读
Crawl htmlunit 模拟浏览器动态 js 爬虫入门使用简介
Crawl jsoup 爬虫使用 jsoup 无法抓取动态 js 生成的内容
Crawl WebMagic 爬虫入门使用简介 webmagic
搜索引擎
查询，想必你不会陌生。
如何更好的查询，本文将持续记录一些点滴。
对于大部分不是专门研究搜索引擎的同学，记住以下几点即可：
1) 全网搜索引擎系统由spider， search&index， rank三个子系统构成
2) 站内搜索引擎与全网搜索引擎的差异在于，少了一个spider子系统
3) spider和search&index系统是两个工程系统，rank系统的优化却需要长时间的调优和积累
4) 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>的过程
5) 倒排索引（inverted index）是由分词item快速寻找包含这个分词的网页list<url_id>的过程
6) 用户检索的过程，是先分词，再找到每个item对应的list<url_id>，最后进行集合求交集的过程
7) 有序集合求交集的方法有
a) 二重for循环法，时间复杂度O(n*n)
b) 拉链法，时间复杂度O(n)
c) 水平分桶，多线程并行
d) bitmap，大大提高运算并行度，时间复杂度O(n)
e) 跳表，时间复杂度为O(log(n))
Original Design
原来自己的博客进行检索。采用的是如下方式
分词->拼音->全文检索(MySQL)
友情提示:
- 本段较长，主要用来日后查看，可自行过滤性查看。
分词
例子：
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>${jieba.version}</version>
</dependency>
- FenCiUtil.java
import com.huaban.analysis.jieba.JiebaSegmenter;
import com.huaban.analysis.jieba.SegToken;
import com.ryo.blog.service.util.constant.AppConstant;
import org.apache.commons.lang3.StringUtils;
import java.util.List;
/**
* @author houbinbin
* @since 1.7
*/
public class FenCiUtil {
/**
* 分词器
*/
private static final JiebaSegmenter SEGMENTER = new JiebaSegmenter();
/**
* 中文分词, 并转成拼音
*
* @param data
* @return
*/
public static String process(String data) {
if (StringUtils.isEmpty(data)) {
return StringUtils.EMPTY;
}
data = data.replaceAll("\\s", AppConstant.BLANK);
data = data.replaceAll(AppConstant.SINGLE_QUOTES, AppConstant.BLANK);
List<SegToken> list = SEGMENTER.process(data, JiebaSegmenter.SegMode.INDEX);
StringBuilder sb = new StringBuilder();
for(SegToken segToken : list) {
sb.append(PinYinUtil.converterToSpellWithMuti(segToken.word)).append(AppConstant.COMMA);
}
sb.deleteCharAt(sb.lastIndexOf(AppConstant.COMMA));
return sb.toString();
}
}
- AppConstant.java
/**
* @author houbinbin
* @since 1.7
*/
public class AppConstant {
/**
* 默认编码格式
*/
public static final String DEFAULT_CHARSET = "UTF-8";
/**
* 逗号
*/
public static final String COMMA = ",";
/**
* 圆点
*/
public static final String DOT = ".";
/**
* 空格
*/
public static final String BLANK = " ";
/**
* 单引号
*/
public static final String SINGLE_QUOTES = "'";
/**
* 下划线
*/
public static final String UNDERLINE = "_";
}
拼音
例子:
比如查询用户老马啸西风，为了更好的用户体验。用户输入laomaxiaoxifeng、lmxxf都应该返回对应的结果。
- jar
<!--拼音4j-->
<dependency>
<groupId>com.belerweb</groupId>
<artifactId>pinyin4j</artifactId>
<version>${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，特殊字符丢失 支持多音字，生成方式如（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 {
// 取得当前汉字的所有全拼
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，特殊字符丢失
* 不支持多音字，生成方式如（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 {
// 取得当前汉字的所有全拼
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，特殊字符丢失
* 支持多音字，生成方式如（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 {
// 取得当前汉字的所有全拼
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(推荐使用)
*
* @return
*/
private static String parseTheChineseByObject(
List<Map<String, Integer>> list) {
Map<String, Integer> first = null; // 用于统计每一次,集合组合数据
// 遍历每一组集合
for (int i = 0; i < list.size(); i++) {
// 每一组集合与上一次组合的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集合的字符，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使用
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
原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 '栏目名称',
created_time DATETIME NOT NULL
COMMENT '创建时间',
updated_time DATETIME DEFAULT NULL
COMMENT '最后更新时间',
PRIMARY KEY (`id`)
)
COMMENT '文章表';
2、索引表
为自己的博客表建立对应的索引表
使用方式:
每次修改文章时，对文章的title、summary、category_name、body 使用分词分成多个单词，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 '栏目名称',
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';
-- 只修复索引树
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
- 文章的检索表是设定为
MyISAM的, 原来我也以为 MySQL只有这个才支持 全文检索。INNODB 在5.6之后是支持的,且自带分词器。
More
个人小结
-
对于最简单的查询，可以使用 jiebe 进行分词。结合 pinyin 对存储的核心字段的拼音全拼写，简拼写进行存储，然后索引即可。
-
对于文章等常见信息，如果想使用全文索引，就可以采用数据库自带的全文索引。
更多学习
更多实时资讯，前沿技术，生活趣事。尽在【老马啸西风】
交流社群：[交流群信息](https://mp.weixin.qq.com/s/rkSvXxiiLGjl3S-ZOZCr0Q)
