【C++项目】boost搜索引擎项目

文章目录

  • 项目的gitee地址
  • 项目基本演示
  • 讲解思路
  • 一:项目相关背景
  • 二:搜索引擎的相关宏观原理
  • 三:搜索引擎技术栈和项目环境
  • 四:正排索引 vs 倒排索引 - 搜索引擎具体原理
  • 五:编写数据去标签与数据清洗的模块 Parser
    • 5.1 parser基本代码结构
    • 5.2 使用boost库函数枚举每个html文件名
    • 5.3 解析html代码编写
  • 六: 编写建立索引的模块 Index
    • 6.1 获取正排索引和倒排拉链函数具体实现
    • 6.2 构建索引具体函数实现
    • 6.3 构建正排索引具体函数实现
    • 6.4 构建倒排索引具体函数实现
  • 七: 编写搜索引擎模块 Searcher
    • 7.1 编写Search代码
  • 八: 编写http_server模块
  • 九: 编写前端代码
  • 十: 工具类的编写
  • 十一:添加日志部同时部署服务到Linux
  • 项目的拓展方向

项目的gitee地址

项目地址,复制到浏览器打开:
https://gitee.com/xiao-jiheng/boost_search_engine


项目基本演示

主要是:服务端开启服务,客户端就可以通过浏览器进入页面进行搜索服务,搜索的内容就是
BOOST库的内容;


项目的基本目录:
【C++项目】boost搜索引擎项目_第1张图片


启动项目的过程命令;

[xjh@VM-12-10-centos boost_searcher]$ make #对整个项目进行编译
[xjh@VM-12-10-centos boost_searcher]$ ./parser  #编译成功对网页进行去标签
[xjh@VM-12-10-centos boost_searcher]$ ./http_server #启动服务器

去标签目的:是对网页内容进行清洗,因为我们搜索的内容不是需要网页标签,所以需要去掉;

启动服务:服务端要提供网页资源供用户搜索,该网页资源需要构建索引;
如何验证是否启动服务器成功?

[xjh@VM-12-10-centos boost_searcher]$ netstat -nltp#查看网络状态

在这里插入图片描述


用户需要提供搜索关键字进行搜索;搜索页面如下:
默认使用端口为8081;
【C++项目】boost搜索引擎项目_第2张图片


搜索结果大概如下:
【C++项目】boost搜索引擎项目_第3张图片


点击任何一条链接:肯定会包含我们搜索关键字;


讲解思路

  1. 项目的相关背景
  2. 搜索引擎的相关宏观原理
  3. 搜索引擎技术栈和项目环境
  4. 正排索引 vs倒排索引–搜索引擎具体原理
  5. 编写数据去标签与数据清洗的模块Parser
  6. 编写建立索引的模块Index
  7. 编写搜索引擎模块Searcher
  8. 编写http_server模块
  9. 编写前端模块

一:项目相关背景

  • 公司:百度、搜狗、360搜索、头条新闻客户端 - 我们自己实现是不可能的!
    技术门槛高,保存海量的网络资源就是一个问题了;
    更别说根据客户的关键字,对关键字排序,显示网页内容的工作;
  • 站内搜索:搜索的数据更垂直,数据量其实更小;
  • boost的官网是没有站内搜索的,需要我们自己做一个;

我们写的是一个站内搜索,就是搜索资源就是boost库的内容!
展示内容就是:标题;网页内容的摘要,和url 这三个关键的信息;
并且点击内容可以跳转相关的网站

不像百度的,既有图片,还有视频,还有广告等内容,甚至对关键字搞了标红了;
我们的站内搜索仅仅是利用了搜索引擎的基本原理去完成的;
【C++项目】boost搜索引擎项目_第4张图片


二:搜索引擎的相关宏观原理

首先服务器:
内部是提前准备好要搜索的资源的,该资源是通过爬虫程序爬取网络的信息,然后保存在自己服务器上的磁盘;
然后对爬取到的网页内容进行数据清晰工作,去掉标签,保留主要关键信息;
同时对爬取的内容进行建立索引,目的为了用户方便查找服务器资源,加快用户查找效率;


对于客户端,也就是浏览器,要通过GET请求方式上传自己的关键字,服务器收到后,就会对请求报文进行处理,检索关键字,得到相关资源,构建相关资源的html信息返回给用户!


【C++项目】boost搜索引擎项目_第5张图片


三:搜索引擎技术栈和项目环境

  • 技术栈: C/C++ C++11, STL, 准标准库Boost,Jsoncpp,cppjieba,cpp-httplib ;
  • html5, css,js、jQuery、Ajax(本项目前端技术的基本很少使用,主要在后端)
  • 项目环境: Centos 7云服务器,vim/gcc(g++)/Makefile , vs code

cppjieba: 分词工具,主要对用户搜索关键字进行切分,切分搜索,并且返回切分搜索到的结果;同时服务器建立索引时候,也需要对关键字进行切分;
cpp-httplib:直接构建服务器的开源库;

四:正排索引 vs 倒排索引 - 搜索引擎具体原理

正排和倒排索引文章链接(直接点击就可以跳转网页资源)
上面那文章是网络搜索的,对正排倒排的解释;我自己也会解释一下,但是是简单说明!不是具体解释概念;
我所将的是正排倒排的特点,及其在搜索引擎承担什么角色任务!


正排索引:文档id和文档内容的映射关系;就是通过文档id去找到文档内容(也有人说是找到文档内的关键字);

以后我们搜索肯定是根据关键字进行搜索文档内容的;
所以我们服务器必须对文档内容进行分词,分词目的就是为了方便建立倒排索引;


分词:
文档1[雷军买了四斤小米 ]: 雷军/买/四斤/小米/四斤小米;
文档2[雷军发布了小米手机]:雷军/发布/小米/小米手机;

这里文档1 分词就是分为了这几个部分 [雷军] [买] [四斤] [小米] [四斤小米] (举个例子这里,分词的策略有很多种的);
我们就是通过这些分词结果对其进行倒排索引建立,方便用户更具关键字查找到内容;


【C++项目】boost搜索引擎项目_第6张图片
模拟一次查找的过程:
用户输入:小米 -> 倒排索引中查找 -> 提取出文档ID(1,2) -> 根据正排索引 -> 找到文档的内容 ->
title+conent(desc)+url 文档结果进行摘要->构建响应结果;


注意:编写代码时候,我们需要构建倒排索引,构建倒排索引需要文档内容进行分词,用分词结果去构建倒排索引;
然后用户搜索时候,我们也需要对用户搜索关键字进行分词,根据分词,也即是关键字,去倒排索引找到关键字对应文档ID,再拿到文档ID去正排索引找到文档内容!


五:编写数据去标签与数据清洗的模块 Parser

先下boost库的资源到Linux中,让其作为服务器搜索资源;

boost 官网: https://www.boost.org/
//目前只需要boost_1_78_0/doc/html目录下的html文件,用它来进行建立索引

进入官网:找到该图标
【C++项目】boost搜索引擎项目_第7张图片


点击下载该版本的到你的桌面(当然下载哪个版本都无所谓,只是我的boost版本就是该版本);
【C++项目】boost搜索引擎项目_第8张图片
使用命令:

[xjh@VM-12-10-centos boost_search]$ rz -E #把桌面的boost库传到Linux中;

【C++项目】boost搜索引擎项目_第9张图片


成功对齐解压即可:

tar -zxvf boost_1_78_0.tar.gz #解压即可

这就是boost库的官网的内容!

【C++项目】boost搜索引擎项目_第10张图片


但是我们进行站内搜索的内容:只是使用该路径的资源:

boost_1_78_0/doc/html/

里面包含boost库的所有内容!也就是该项目可以被搜索到的资源


将该文件内容拷贝到data/input目录,也就是我们boost搜素引擎的搜索内容

【C++项目】boost搜索引擎项目_第11张图片


后序工作就是拿到data/input的内容,构建索引!


创建一个parser.cc文件的主要功能就是去标签的任务!

在这里插入图片描述


把去标签的内容保存再 raw.txt文档内容
【C++项目】boost搜索引擎项目_第12张图片


目标:把每个data\input下的文档都去标签,然后写入到同一个raw.txt文件中!
每个文档内容不需要任何\n!文档和文档之间用 \3 区分;

XXXXXXXXXXXXXXXXX\3YYYYYYYYYYYYYYYYYYYYY\3ZZZZZZZZZZZZZZZZZZZZZZZZZ\3;

选择\3原因:它是不可显示字符,不会污染我们的数据源!


5.1 parser基本代码结构

该代码是在 文件 parser.cc,的基本结构;
该文件的主要完成功能是:对所有要搜索的boost资源html文档,进行数据清洗工作;
步骤:

  1. 读取所有的该路径下const std::string src_path = "data/input";所有的html文档的名称到一个数组中保存vector &files_list
  2. 读取每一个html文档,也就是枚举数组vector &files_list的每一个元素,对其进行去标签的,获取标题,文档内容,和url 三个主要的信息存储在std::vector results;数组中;
  3. 将去标签的html文档信息从数组std::vector results读取兵保存到在const std::string output = "data/raw_html/raw.txt";文档中;
#include 
#include 
#include 
#include 
#include 
#include "util.hpp"

const std::string src_path = "data/input";
const std::string output = "data/raw_html/raw.txt";

typedef struct DoInfo
{
  std::string title;   //文档的标题
  std::string content; //文档的内容
  std::string url;     //文档在官网url
} DocInfo_t;

//函数参数命名规范小细节;
/*
 * const& :输入参数
 * * :输出参数
 * & :输入输出参数
 * */

bool EnumFile(const std::string &src_path, std::vector<std::string> *files_list);

bool ParseHtml(const std::vector<std::string> &files_list, std::vector<DocInfo_t> *results);

bool SaveHtml(const std::vector<DocInfo_t> &results, const std::string &output);

int main()
{
  std::vector<std::string> files_list; //保存 src_path路径下所有的html文件名

  // 1.递归式的把src_path路径下的所有文件名(带路径的)保存在files_list,目的方便后期读取
  if (!EnumFile(src_path, &files_list))
  {
    std::cerr << "enum file name error" << std::endl;
    return 1;
  }

  // 2.对每个文件html文件进行读取其内容,并解析出结果存放在DocInfo结构体中
  std::vector<DocInfo_t> results;

  if (!ParseHtml(files_list, &results))
  {
    std::cerr << "parse html error" << std::endl;
    return 2;
  }

  // 3.将解析到的各个文档的DocInfo信息存放到output文件中,并通过\3作为每个文档解析结果进行分割
  if (!SaveHtml(results, output))
  {
    std::cerr << "save html error" << std::endl;
    return 3;
  }

  return 0;
}

5.2 使用boost库函数枚举每个html文件名

有了5.1小节的基本结构parser.cc文件清洗数据基本结构,接下来就完成每一步的细节;
5.2小节就是完成bool EnumFile(const std::string &src_path, std::vector *files_list);该函数的;
该函数的功能就是:枚举src_path路径下的所有文件,并把读取的.html文件名结尾的文件保存在files_list当中;

说白了就是该路径以html结尾的文件,读取到内存中;
在这里插入图片描述


该函数的具体实现代码:

bool EnumFile(const std::string &src_path, std::vector<std::string> *files_list)
{
  namespace fs = boost::filesystem;
  fs::path root_path(src_path); // root_path是开始递归搜索的根目录路径
  //判断搜索的文件路径是否是存在
  if (!fs::exists(root_path))
  {
    std::cerr << src_path << " not exists " << std::endl;
    return false;
  }
  //递归遍历root_path
  fs::recursive_directory_iterator end; //空迭代器,用来判断递归结束标志
  for (fs::recursive_directory_iterator it(root_path); it != end; it++)
  {
    //遍历的文件:需要拿到的是普通文件,目录和其他文件就不处理
    if (!fs::is_regular_file(*it))
      continue;

    //是普通文件还要判断是否为html文件
    if (it->path().extension() != ".html") // extension获取文件名的后缀
      continue;

    // std::cout << "debug: " << it->path().string() << std::endl;
    //来到这里肯定是一个合法以.html结尾的合法文件

    files_list->push_back(it->path().string());
  }
  return true;
}

当然里面使用了很多是boost库提供的函数;我是用的是boost 1.53版本的函数;


5.3 解析html代码编写

当我们获取到html文档的每个文件名,就需要对其每个html文档进行解析;
要解析之前,肯定要根据每个html文档的文件名进行读取html的文档,再对其解析;
解析获取三个信息:标题,内容,url 即可;


该模块主要是完成:bool ParseHtml(const std::vector &files_list, std::vector *results);函数的编写;


bool ParseHtml(const std::vector<std::string> &files_list, std::vector<DocInfo_t> *results)
{

  for (const std::string &file : files_list)
  {
    // 1.读取文件名file的内容
    std::string result;
    if (!ns_util::FileUtil::ReadFile(file, &result))
      continue;

    DocInfo_t doc;
    // 2.解析内容获得title
    if (!ParseTitle(result, &doc.title))
      continue;
    // 3.解析内容获取content
    if (!ParseContent(result, &doc.content))
      continue;
    // 4.解析内容获取url
    if (!ParseUrl(file, &doc.url))
      continue;
      
    //来到这里说名:解析一个文件内容成功,当前解析结果放在doc中
    // results->push_back(doc); //小细节:push_back扩容会发送拷贝,效率低
    results->push_back(std::move(doc)); //这个doc内容太大了,并且是临时对象,我们可以直接移动构造很棒,减少拷贝
  return true;
}
//*****************************************************//
static bool ParseTitle(const std::string &file, std::string *title)
{
  std::size_t begin = file.find(""</span><span class="token punctuation">)</span><span class="token punctuation">;</span>
  <span class="token keyword">if</span> <span class="token punctuation">(</span>begin <span class="token operator">==</span> std<span class="token double-colon punctuation">::</span>string<span class="token double-colon punctuation">::</span>npos<span class="token punctuation">)</span>
    <span class="token keyword">return</span> <span class="token boolean">false</span><span class="token punctuation">;</span>

  std<span class="token double-colon punctuation">::</span>size_t end <span class="token operator">=</span> file<span class="token punctuation">.</span><span class="token function">find</span><span class="token punctuation">(</span><span class="token string">"");
  if (end == std::string::npos)
    return false;

  begin += std::string(""</span><span class="token punctuation">)</span><span class="token punctuation">.</span><span class="token function">size</span><span class="token punctuation">(</span><span class="token punctuation">)</span><span class="token punctuation">;</span>

  <span class="token keyword">if</span> <span class="token punctuation">(</span>begin <span class="token operator">></span> end<span class="token punctuation">)</span>
    <span class="token keyword">return</span> <span class="token boolean">false</span><span class="token punctuation">;</span>

  <span class="token operator">*</span>title <span class="token operator">=</span> file<span class="token punctuation">.</span><span class="token function">substr</span><span class="token punctuation">(</span>begin<span class="token punctuation">,</span> end <span class="token operator">-</span> begin<span class="token punctuation">)</span><span class="token punctuation">;</span>
  <span class="token keyword">return</span> <span class="token boolean">true</span><span class="token punctuation">;</span>
<span class="token punctuation">}</span>

<span class="token comment">//参数file是一个html文件的内容(还没被解析的html文件内容)</span>
<span class="token keyword">static</span> <span class="token keyword">bool</span> <span class="token function">ParseContent</span><span class="token punctuation">(</span><span class="token keyword">const</span> std<span class="token double-colon punctuation">::</span>string <span class="token operator">&</span>file<span class="token punctuation">,</span> std<span class="token double-colon punctuation">::</span>string <span class="token operator">*</span>content<span class="token punctuation">)</span>
<span class="token punctuation">{</span>

  <span class="token comment">//去标签,基于简单的的状态机编写</span>
  <span class="token keyword">enum</span> <span class="token class-name">status</span>
  <span class="token punctuation">{</span>
    LABLE<span class="token punctuation">,</span>  <span class="token comment">//标签</span>
    CONTENT <span class="token comment">//内容</span>
  <span class="token punctuation">}</span><span class="token punctuation">;</span>

  <span class="token keyword">enum</span> <span class="token class-name">status</span> s <span class="token operator">=</span> LABLE<span class="token punctuation">;</span> <span class="token comment">//默认的所有html网页刚开始的字符串肯定是标签</span>
  <span class="token keyword">for</span> <span class="token punctuation">(</span><span class="token keyword">char</span> c <span class="token operator">:</span> file<span class="token punctuation">)</span>    <span class="token comment">//遍历html网页的内容里面的每一个字符</span>
  <span class="token punctuation">{</span>
    <span class="token comment">//检测状态</span>
    <span class="token keyword">switch</span> <span class="token punctuation">(</span>s<span class="token punctuation">)</span>
    <span class="token punctuation">{</span>
      <span class="token comment">//当我们读到的是标签,也就是处于LABLE状态,那么我们什么都不做,继续读取下一个</span>
      <span class="token comment">//什么时候该LABLE状态结束呢?当读取到'>'表示LABLE状态结束</span>
    <span class="token keyword">case</span> LABLE<span class="token operator">:</span>
      <span class="token keyword">if</span> <span class="token punctuation">(</span>c <span class="token operator">==</span> <span class="token char">'>'</span><span class="token punctuation">)</span>
        s <span class="token operator">=</span> CONTENT<span class="token punctuation">;</span>
      <span class="token keyword">break</span><span class="token punctuation">;</span>
      <span class="token comment">//处于CONTENT状态就把读取到的字符假如content,</span>
      <span class="token comment">//什么时候该CONTENT状态结束呢?只要碰到'<'就表示结束了</span>
    <span class="token keyword">case</span> CONTENT<span class="token operator">:</span>
      <span class="token keyword">if</span> <span class="token punctuation">(</span>c <span class="token operator">==</span> <span class="token char">'<'</span><span class="token punctuation">)</span>
        s <span class="token operator">=</span> LABLE<span class="token punctuation">;</span>
      <span class="token keyword">else</span>
      <span class="token punctuation">{</span>
        <span class="token comment">//读取到的字符可能有\n,我们不希望保留,因为要做html解析后文本的分隔符</span>
        <span class="token keyword">if</span> <span class="token punctuation">(</span>c <span class="token operator">==</span> <span class="token char">'\n'</span><span class="token punctuation">)</span>
          c <span class="token operator">=</span> <span class="token char">' '</span><span class="token punctuation">;</span> <span class="token comment">//小细节:源文档的file的\n是没有被修改的,这里遍历file拿到的c字符串不是引用,所以不会修改</span>
        content<span class="token operator">-></span><span class="token function">push_back</span><span class="token punctuation">(</span>c<span class="token punctuation">)</span><span class="token punctuation">;</span>
      <span class="token punctuation">}</span>
      <span class="token keyword">break</span><span class="token punctuation">;</span>

    <span class="token keyword">default</span><span class="token operator">:</span>
      <span class="token keyword">break</span><span class="token punctuation">;</span>
    <span class="token punctuation">}</span>
  <span class="token punctuation">}</span>
  <span class="token keyword">return</span> <span class="token boolean">true</span><span class="token punctuation">;</span>
<span class="token punctuation">}</span>

<span class="token comment">//file_path:就是要查询的html文档在我们Linux的 ./data/input/ 目录下的文件路径;</span>
<span class="token keyword">static</span> <span class="token keyword">bool</span> <span class="token function">ParseUrl</span><span class="token punctuation">(</span><span class="token keyword">const</span> std<span class="token double-colon punctuation">::</span>string <span class="token operator">&</span>file_path<span class="token punctuation">,</span> std<span class="token double-colon punctuation">::</span>string <span class="token operator">*</span>url<span class="token punctuation">)</span>
<span class="token punctuation">{</span>
  std<span class="token double-colon punctuation">::</span>string url_head <span class="token operator">=</span> <span class="token string">"https://www.boost.org/doc/libs/1_78_0/doc/html"</span><span class="token punctuation">;</span>
  std<span class="token double-colon punctuation">::</span>string url_tail <span class="token operator">=</span> file_path<span class="token punctuation">.</span><span class="token function">substr</span><span class="token punctuation">(</span>src_path<span class="token punctuation">.</span><span class="token function">size</span><span class="token punctuation">(</span><span class="token punctuation">)</span><span class="token punctuation">)</span><span class="token punctuation">;</span>
  <span class="token operator">*</span>url <span class="token operator">=</span> url_head <span class="token operator">+</span> url_tail<span class="token punctuation">;</span>

  <span class="token keyword">return</span> <span class="token boolean">true</span><span class="token punctuation">;</span>
<span class="token punctuation">}</span>
</code></pre> 
  <p>该代码的基本四个逻辑:<br> <strong>1. 读取每一个html文档;<br> 2. 解析html的标题;<br> 3. 解析html的内容;<br> 4. 解析html的url;</strong></p> 
  <hr> 
  <p><strong>如何读取每个html文档?</strong><br> 根据每个文件名(带路径的html文件名)按行读即可;</p> 
  <hr> 
  <p><strong>如何解析html的标题?</strong><br> 其实标题就是在<code><title>head... 标前里面:只要我们读取到该标签的下标,对其进行截取内容即可;
【C++项目】boost搜索引擎项目_第13张图片


如何解析html的内容?

这里是使用的方式是基于简易的状态机编写;
从头开始遍历html的文档内容,读取到标签 左尖括号< 就认为是标签,其实也是读取内容的结束位置,读取到右尖括号>就是读取标签结束,也是读取真正内容的开始


如何解析html的url呢?

boost库的官方文档,和我们下载下来的文档,是有路径的对应关系的

官网URL样例:    https://www.boost.org/doc/libs/1_78_0/doc/html/accumulators.html
我们下载下来的url样例:boost_1_78_0/doc/html/accumulators.html
我们拷贝到我们项目中的样例:data/input/accumulators.html //我们把下载下来的boost库 doc/html/* copy
data/input/
url_head = "https://www.boost.org/doc/libs/1_78_0/doc/html";
url_tail = [data/input](删除) /accumulators.html -> url_tail = /accumulators.html
url = url_head + url_tail ; 相当于形成了一个官网链接

如何保存html文件呢?

其实就是读取解析到的html文件数组 std::vector results;const std::string output = "data/raw_html/raw.txt";文件中
但是我们要处理 标题 内容 url 之间的间隔,以\3作为分隔符;方便日后读取;


六: 编写建立索引的模块 Index

在 第五个模块中,我们成功对我们要搜索的资源进行了数据清理,并将清理的所有html文件读取到了
一个文件const std::string output = "data/raw_html/raw.txt中;
接下来我们就需要根据该文件的内容进行建立索引;


该模块的内容是:在index.hpp文件中;


我们该模块的结构大概如下:

  1. 设计正排节点 struct DocInfo和倒排节点 InvertedElem
  2. 设计倒排索引 std::unordered_map inverted_index;和正排索引 std::vector forword_index;结构;
  3. 提供获取正排索引函数 DocInfo* GetForwordIndex(uint64_t doc_id); 和倒排索引的函数 InvertedList* GetInvertedList(std::string& word)
  4. 提供建立索引的函数 bool BulidIndex(const std::string& input)
  5. 提供建立倒排索引函数 bool BuildInvertedIndex(const DocInfo& doc); 和正排索引的函数 DocInfo* BulidForWordIndex(const std::string& line);
  6. 对索引设计为单例模式;

具体函数说明和设计思想理解如下:

#pragma once
#include 
#include 
#include 
#include
#include
#include
#include
#include"util.hpp"
#include"log.hpp"


namespace ns_index
{
  //由于要设计正排索引,也就是根据文档id找到文档内容,那么文档内容就需要用一个结构体去描述,所以设计出DocInfo
    struct DocInfo //文档内容
    {
        std::string title;
        std::string content;
        std::string url;
        uint64_t doc_id;
    };

  //由于要设计倒排索引,也就是根据关键词找到文档id,那么需要用一个结构体去描述,所以设计出InvertedElem
    struct InvertedElem
    {
        int doc_id;
        std::string word;
        int weight;
    };

    //倒排拉链
    typedef std::vector<InvertedElem> InvertedList;

    class Index
    {
    private:
        /*设计正排索引:使用数据的结构来设计*/

        //正排索引:下标天然就是文档ID ID快速找-->文档内容
        std::vector<DocInfo> forword_index;

        //倒排索引:通过关键字-->快速找到对应的文档
        /*倒排索引中,一个关键字,对应多个文档id*/
        //(我们只要拿到一个关键字,就可以拿到一个vector,这个vector每个节点就是到倒排节点,也是文档id啦)
        std::unordered_map<std::string, InvertedList> inverted_index;

        static Index* instance; 
        static std::mutex mtx;
    private:
        Index(){}
        Index(const Index& ) = delete;
        Index& operator=(const Index& )=delete;
    public:
      static Index* GetInstance()
        {
          if(nullptr == instance)
          {
           mtx.lock();
           if(nullptr == instance)
            {
              instance  = new Index();
            }
            mtx.unlock();
          }
          return instance;
        }
        ~Index(){}
        public:
        //根据ID找到文档内容(也就是根据doc_id找到正排索引节点)
        DocInfo* GetForwordIndex(uint64_t doc_id);
        //根据关键字找到倒排拉链
        InvertedList* GetInvertedList(std::string& word)
        //建立索引(正排索引和倒排索引)
        //根据传入的parser.cc函数处理完毕的/data/raw_html/raw.txt文件,构建索引
        bool BulidIndex(const std::string& input); //根据input文档内容构建索引
        private:
        //就是读到的line构建DocInfo,再插入到vector这个正排索引中
        //构建成功后,我们就可以直接根据doc_id快速查到文档内容DocInfo了
        DocInfo* BulidForWordIndex(const std::string& line); //line就是row.txt每一行的内容
        //对建立好的正排索引的一个结构DocInfo进行处理:做建立倒排索引
        bool BuildInvertedIndex(const DocInfo& doc);        
};
     Index* Index::instance = nullptr; 
     std::mutex Index::mtx;

6.1 获取正排索引和倒排拉链函数具体实现

具体函数实现:


 //根据ID找到文档内容(也就是根据doc_id找到正排索引节点)
        DocInfo* GetForwordIndex(uint64_t doc_id)
        {
            if(doc_id >=forword_index.size())
            {
                std::cerr<<"doc_id out range error!"<<std::endl;
                return nullptr;
            }
            return &forword_index[doc_id];
        }

 //根据关键字找到倒排拉链
        InvertedList* GetInvertedList(std::string& word)
        {
            if(inverted_index.find(word) == inverted_index.end())
            {
                std::cerr<<word<<" have no InvertedList"<<std::endl;
                return nullptr;
            }
            return &inverted_index[word]; //&(iter->second)
        }

6.2 构建索引具体函数实现

构建索引:该函数,其实挺复杂的,把功能才分三部分:1,读取文件,2.建立正排,4.根据正排建立倒排

//建立索引(正排索引和倒排索引)
        //根据传入的parser.cc函数处理完毕的/data/raw_html/raw.txt文件,构建索引
        bool BulidIndex(const std::string& input) //根据input文档内容构建索引
        {
            //读取input的每一行进行建立索引

            //1.打开要进行建立索引的文件
            std::ifstream in(input,std::ios::in | std::ios::binary);
            if(!in.is_open())
            {
                std::cerr<<"open "<<input<<" filed!"<<std::endl;
                return false;
            }
            //2.对每一行进行内容进行建立索引(其实就是每一个html被解析的文件建立索引)
            std::string line; //这个line-->  tile\3content\3url\n
            int count =0;
            while(std::getline(in,line))
            {   
                //3. 建立正排索引
                DocInfo* doc = BulidForWordIndex(line);
                if(doc == nullptr)
                {
                    std::cerr<<"sorry:...\n"<<line<<"\nerror"<<std::endl;//for debug
                    continue;
                }
                //4. 根据正排再建立倒排
                BuildInvertedIndex(*doc);
                //for debug
                count++;
                if(count %50==0)
                {
                  LOG(NORMAL,"当前已经建立的索引文档:"+std::to_string(count));
                }
            }
            in.close();
            return true;
        }

6.3 构建正排索引具体函数实现

建立正排索引的函数其实是建立索引函数里面的一个子功能;
在建立索引的函数中,我们是读取raw.txt文档的每一行进行进行建立正排索引的;也就是说遍历raw.txt文档所有内容,每读取一行就建立一个正排索引,更加准确地说,是读取每一个html文档,被解析过的html文档进行建立倒排索引;


此时:我们需要对之前进行数据清理时候的文档进行切分,因为我们之前对html清理为了三部分:
标题,内容,url 都是以\3区分,所以我们要以\3进行分隔符切分,获取内容,插入到正排索引数组中;


//构建正排索引本质就是读到的line构建DocInfo,再插入到vector这个正排索引中
        //构建成功后,我们就可以直接根据doc_id快速查到文档内容DocInfo了
        DocInfo* BulidForWordIndex(const std::string& line) //line就是row.txt每一行的内容
        {
            //解析line,-->分割line-->title content url
            //解析本质就是切分字符串
            std::vector<std::string> results; //切分字符串存放的数组
            const std::string sep = "\3";
            ns_util::StringUtil::Split(line,&results,sep);

            if(results.size() !=3)
                return nullptr;
            //解析结果插入到DocInfo
            DocInfo doc;
            doc.title = results[0];
            doc.content = results[1];
            doc.url = results[2];

            doc.doc_id = forword_index.size();
            //将DocInfo插入到vector
            forword_index.push_back(std::move(doc));
            return &forword_index.back();
        }

6.4 构建倒排索引具体函数实现

到底如何建立倒排索引呢?

1.由于根据正排索引获取到了文档的 标题 内容 url;
2. 根据该 标题 和 内容 进行分词得到关键字,同时统计 词频,建立关键字和词频映射关系
分词使用的库文件cppjieba分词库,该分词库是一个hander only 的开源库;
4. 根据分词的关键字,构建倒排拉链,并且构建倒排索引;


具体分析和实现,看代码:


        //对建立好的正排索引的一个结构DocInfo进行处理:做建立倒排索引
        bool BuildInvertedIndex(const DocInfo& doc)
        {
          //建立完正排索引之后,拿到doc,也就是[tile content url doc_id] 建立关键字和doc之间的联系
          
          //1.对tile 和 content 进行分词(分词就是获取关键字,建立倒排索引)并且统计分词结果的词频率
          
          struct word_cnt
          {
            int title_cnt; //标题词频
            int content_cnt; //内容词频
            word_cnt():title_cnt(0),content_cnt(0){}
          };

          
          std::unordered_map<std::string,word_cnt> word_map; //存放title 和 content 分词后的关键字和词频映射关系
          //对标题进行分词
          std::vector<std::string> title_words;//对title分词的结果
          ns_util::JiebaUtil::CurString(doc.title,&title_words);
          
          //遍历title分词出的结果进行词频统计
          for(std::string word : title_words) //这里不加&原因是:转化小写,不想修改原文档的内容
          {
            boost::to_lower(word);
            word_map[word].title_cnt++;  
          }
          //对内容进行分词
          std::vector<std::string> content_words;
          ns_util::JiebaUtil::CurString(doc.content,&content_words);

          for(std::string word : content_words)
          {
            boost::to_lower(word);
            word_map[word].content_cnt++;
          }
          
#define X 10
#define Y 1
          /*小细节:用户输入的是关键字:hello HELLO HEllO.... 等这关键字是否有区别?
           *实际搜索引擎是不做区分大小写,也就是你收缩的词是大小写,我们返回给你的信息可以不做区分
           *
           * 所以我们文档出现的词,在我切词做词频统计,还有建立倒排索引时候,是需要忽略大小写的
           *
           * 结论:对用户来说:搜索关键字是不区分大小写
           *       对我们编写代码来说:如何做到,对分词结果转小写,这样搜索引擎不区分大小写
           *       用户输入大小写,如何使其不区分?那就是在我们的倒排索引中,把用户输入的也转为小写即可
           *       这样用户的词不管是大小写都变成小写,那么就可以拿到用户的关键词去倒排索引查找了
           * */
          //对title和content的分词后得到的关键字进行建立倒排拉链
          for(auto& word_pair : word_map)
          {
              InvertedElem item; //倒排索引的一个元素
              item.doc_id = doc.doc_id;//因为我们是在一个文档内进行建立倒排索引,所以这里倒排索引的id就是该文档id
              item.word = word_pair.first; //分词得到的关键字
              item.weight = X*word_pair.second.title_cnt+Y*word_pair.second.content_cnt;//相关性

              
              //inverted_index是map结构
              //建立关键字和一个或者多个item的映射(因为一个关键字,可能对应多个文档),其实就是关键字和倒排索引的映射
              //map[]重载: key存在就读取,没有插入
              InvertedList &inverted_list = inverted_index[word_pair.first];//这是把关键字添加到倒排索引中
              //把item添加到倒排拉链中
              inverted_list.push_back(std::move(item)); //给倒排拉链添加item

          }
            return true;
        }

七: 编写搜索引擎模块 Searcher

在前面我们完成了,对后端的数据进行了索引的建立,建立完成索引不是目的,建立索引之后提供的搜索服务才是目的;所以我们需要完成一个新的模块功能:sercher.hpp;该模块就是根据用户提交的搜索关键字,提供搜索服务并返回结果给用户的功能;


基本结构代码:

#include "index.hpp"
	//对搜索结果去重的
  //搜索关键字,被jieba分词后,多个分词对应同一个文档,那么该搜索结果应该合并
  struct InvertedElemPrint
  {
    uint64_t doc_id;                //多个分词对应一个doc_id,
    int weight;                     //对多个分词的权重累加
    std::vector<std::string> words; //对分词进行处理放在一起
    InvertedElemPrint() : doc_id(0), weight(0) {}
  };
  
namespace ns_searcher{
  class Searcher{
    private:
      ns_index::Index *index; //供系统进行查找的索引
    public:
      Searcher(){}
      ~Searcher(){}
    public:
     void InitSearcher(const std::string &input)
    {
      // 1.获取或者创建index对象
      index = ns_index::Index::GetInstance();
      LOG(NORMAL, "获取索引单例对象成功...");
      // 2.根据index对象创建索引:
      index->BulidIndex(input);
      LOG(NORMAL, "建立倒排索引和正排索引成功...");
    }
      //query: 搜索关键字
      //json_string: 返回给用户浏览器的搜索结果
      void Search(const std::string &query, std::string *json_string)
     {
        //1.[分词]:对我们的query进行按照searcher的要求进行分词
        //2.[触发]:就是根据分词的各个"词",进行index查找
        //3.[合并排序]:汇总查找结果,按照相关性(weight)降序排序
        //4.[构建]:根据查找出来的结果,构建json串 -- jsoncpp
     }
 };
}

7.1 编写Search代码


该模块代码最主要是对收缩结果去重:
因为用户提交的关键字:被jieba分词后,可能会得到多个关键字对应同一个倒排拉链;
意味着有不同关键字会对应同一个文档id;此时我们就需要去掉不同关键字,相同的重复文档;
也就是说:只保留一份文档,即使关键字不同的情况下;

/*
     *   该函数功能:主要是提供给用户进行搜索的服务
     *  query是搜索的关键字
     *  json_string 返回给用户的搜索结果
     * */
    void Search(const std::string &query, std::string *json_string)
    {
      //[分词]:对用户的关键字进行分词
      std::vector<std::string> words;
      ns_util::JiebaUtil::CurString(query, &words);

      //[触发]:根据分词的结果的各个词,进行index 查找
      std::vector<InvertedElemPrint> inverted_list_all; //存放被去重过的倒排结点
      for (std::string word : words) //遍历用户的搜索语句的分词后的每一个关键字
      {
        boost::to_lower(word); //同意转换为小写再搜索:目的就是为了保证不区分大小写的搜索

        //通过关键字先找到关键字对应的倒排拉链
        ns_index::InvertedList *inverted_list = index->GetInvertedList(word);
        if (nullptr == inverted_list) //假如用户搜索关键字找不到对应的倒排拉链,就没必要再搜索该关键字了
          continue;
        //来到这里肯定找到了关键字的倒排拉链
        //有了倒排拉链肯定就能有文档的id,那么就可以查正排索引找到文档内容了

        std::unordered_map<uint64_t, InvertedElemPrint> tokens_map; 

        //遍历每个关键字倒排拉链的结点(也就是倒排索引节点InvertedElem:包含id,weight,word)
        for (const auto &elem : *inverted_list)
        {
          InvertedElemPrint &item = tokens_map[elem.doc_id]; //根据倒排结点的doc_id获取到InvertedElemPrint结点

          item.doc_id = elem.doc_id;
          item.weight += elem.weight;
          item.words.push_back(elem.word); //一个关键字对应的倒排拉链中的每个倒排索引的关键字都是一样的
        }

        //将不重复的打印倒排拉链结点放到inverted_list_all中
        for (const auto &item : tokens_map)
        {
          inverted_list_all.push_back(std::move(item.second));
        }
      //[合并排序]:汇总查找结果,按相关性进行降序排序
      sort(inverted_list_all.begin(), inverted_list_all.end(), [](const InvertedElemPrint &e1, const InvertedElemPrint &e2)
           { return e1.weight > e2.weight; });
      Json::Value root; //存放键值对的集合,也就是json结构串的集合
      for (auto &item : inverted_list_all) //item是用户搜索的query所分词得到关键字对应的InvertedElemPrint
      {
        //根据找到的倒排结点item里面的doc_id拿到了文档内容
        ns_index::DocInfo *doc = index->GetForwordIndex(item.doc_id);
        if (nullptr == doc)
          continue;
        // doc就是包含的你关键字对应文档的信息
        //构建json_string
        Json::Value elem;
        elem["title"] = doc->title;
        elem["desc"] = GetDesc(doc->content, item.words[0]);
        elem["url"] = doc->url;
        root.append(elem);
      }
      //对搜索结果doc进行序列化
      Json::FastWriter writer;
      *json_string = writer.write(root);
    }


八: 编写http_server模块

该模块主要是对外提供http服务的;
使用的开源库是:cpp-httplib;

#include "searcher.hpp"
#include "cpp-httplib/httplib.h"

const std::string input = "data/raw_html/raw.txt";
const std::string src_path = "./wwwroot"; //这是我们的web根目录
int main()
{

  ns_searcher::Searcher search;
  search.InitSearcher(input); //构建索引单例,同时构建索引

  httplib::Server srv;
  srv.set_base_dir(src_path.c_str()); //默认访问的是web根目录

  //分析url
  srv.Get("/s", [&search](const httplib::Request &req, httplib::Response &resp){
        if(!req.has_param("word")){
          resp.set_content("url必须带有参数word!","text/plain; charset=utf-8");
            return;
        }

      //1. 用户提交的url上有有关键字
      std::string word = req.get_param_value("word");//获得用户提交的参数
      LOG(NORMAL,"用户在搜索的关键字:"+word);

      //2. 给用户提供搜索服务
      std::string json_string;
      search.Search(word,&json_string);

      //3. 将搜索结果返回给用户
      resp.set_content(json_string.c_str(),"application/json"); });

  LOG(NORMAL, "服务器启动成功...");
  srv.listen("0.0.0.0", 8081);

  return 0;
}

九: 编写前端代码

前端代码主要是提供一个简单的搜索窗口供用户进行搜索;

<!DOCTYPE html>
<html lang="en">
<head>
    <meta charset="UTF-8">
    <meta http-equiv="X-UA-Compatible" content="IE=edge">
    <meta name="viewport" content="width=device-width, initial-scale=1.0">
    <script src="http://code.jquery.com/jquery-2.1.1.min.js"></script>

    <title>boost 搜索引擎</title>
    <style>
        /* 去掉网页中的所有的默认内外边距,html的盒子模型 */
        * {
            /* 设置外边距 */
            margin: 0;
            /* 设置内边距 */
            padding: 0;
        }
        /* 将我们的body内的内容100%和html的呈现吻合 */
        html,
        body {
            height: 100%;
        }
        /* 类选择器.container */
        .container {
            /* 设置div的宽度 */
            width: 800px;
            /* 通过设置外边距达到居中对齐的目的 */
            margin: 0px auto;
            /* 设置外边距的上边距,保持元素和网页的上部距离 */
            margin-top: 15px;
        }
        /* 复合选择器,选中container 下的 search */
        .container .search {
            /* 宽度与父标签保持一致 */
            width: 100%;
            /* 高度设置为52px */
            height: 52px;
        }
        /* 先选中input标签, 直接设置标签的属性,先要选中, input:标签选择器*/
        /* input在进行高度设置的时候,没有考虑边框的问题 */
        .container .search input {
            /* 设置left浮动 */
            float: left;
            width: 600px;
            height: 50px;
            /* 设置边框属性:边框的宽度,样式,颜色 */
            border: 1px solid black;
            /* 去掉input输入框的有边框 */
            border-right: none;
            /* 设置内边距,默认文字不要和左侧边框紧挨着 */
            padding-left: 10px;
            /* 设置input内部的字体的颜色和样式 */
            color: #CCC;
            font-size: 14px;
        }
        /* 先选中button标签, 直接设置标签的属性,先要选中, button:标签选择器*/
        .container .search button {
            /* 设置left浮动 */
            float: left;
            width: 150px;
            height: 52px;
            /* 设置button的背景颜色,#4e6ef2 */
            background-color: #4e6ef2;
            /* 设置button中的字体颜色 */
            color: #FFF;
            /* 设置字体的大小 */
            font-size: 19px;
            font-family:Georgia, 'Times New Roman', Times, serif;
        }
        .container .result {
            width: 100%;
        }
        .container .result .item {
            margin-top: 15px;
        }

        .container .result .item a {
            /* 设置为块级元素,单独站一行 */
            display: block;
            /* a标签的下划线去掉 */
            text-decoration: none;
            /* 设置a标签中的文字的字体大小 */
            font-size: 20px;
            /* 设置字体的颜色 */
            color: #4e6ef2;
        }
        .container .result .item a:hover {
            text-decoration: underline;
        }
        .container .result .item p {
            margin-top: 5px;
            font-size: 16px;
            font-family:'Lucida Sans', 'Lucida Sans Regular', 'Lucida Grande', 'Lucida Sans Unicode', Geneva, Verdana, sans-serif;
        }

        .container .result .item i{
            /* 设置为块级元素,单独站一行 */
            display: block;
            /* 取消斜体风格 */
            font-style: normal;
            color: green;
        }
    </style>
</head>
<body>
    <div class="container">
        <div class="search">
            <input type="text" value="请输入搜索关键字">
            <button onclick="Search()">搜索一下</button>
        </div>
        <div class="result">
        </div>
    </div>
    <script>
        function Search(){
            // 是浏览器的一个弹出框
            // alert("hello js!");
            // 1. 提取数据, $可以理解成就是JQuery的别称
            let query = $(".container .search input").val();
            console.log("query = " + query); //console是浏览器的对话框,可以用来进行查看js数据

            //2. 发起http请求,ajax: 属于一个和后端进行数据交互的函数,JQuery中的
            $.ajax({
                type: "GET",
                url: "/s?word=" + query,
                success: function(data){
                    console.log(data);
                    BuildHtml(data);
                }
            });
        }

        function BuildHtml(data){
            // 获取html中的result标签
            let result_lable = $(".container .result");
            // 清空历史搜索结果
            result_lable.empty();

            for( let elem of data){
                // console.log(elem.title);
                // console.log(elem.url);
                let a_lable = $("", {
                    text: elem.title,
                    href: elem.url,
                    // 跳转到新的页面
                    target: "_blank"
                });
                let p_lable = $("

", { text: elem.desc }); let i_lable = $("", { text: elem.url }); let div_lable = $("

", { class: "item" }); a_lable.appendTo(div_lable); p_lable.appendTo(div_lable); i_lable.appendTo(div_lable); div_lable.appendTo(result_lable); } } </script> </body> </html>

十: 工具类的编写

该类的模块是在util.hpp模块中的;

#pragma once
#include 
#include 
#include 
#include 
#include 
#include 

#include 
#include "cppjieba/Jieba.hpp"
#include"log.hpp"
namespace ns_util
{
  class FileUtil
  {
  public:
    static bool ReadFile(const std::string &file_name, std::string *out)
    {
      //创建一个读取文件的对象
      std::ifstream in(file_name, std::ios::in);
      if (!in.is_open())
      {
        std::cerr << "open file" << file_name << " error" << std::endl;
        return false;
      }
      //打开成功读取文件,就读取文件内容
      std::string line;

      while (std::getline(in, line))
      {
        *out += line;
      }
      in.close();
      return true;
    }
  };
  class StringUtil
  {
  public:
    static void Split(const std::string &target, std::vector<std::string> *out, const std::string &sep)
    {
      // boost split
      boost::split(*out, target, boost::is_any_of(sep), boost::token_compress_on);
    }
  };
  // cppjieba词库路径
  const char *const DICT_PATH = "./dict/jieba.dict.utf8";
  const char *const HMM_PATH = "./dict/hmm_model.utf8";
  const char *const USER_DICT_PATH = "./dict/user.dict.utf8";
  const char *const IDF_PATH = "./dict/idf.utf8";
  const char *const STOP_WORD_PATH = "./dict/stop_words.utf8"; //暂停词词库

  //该结巴分词的类是没有去掉暂停词
  // class JiebaUtil
  //   {
  //     private:
  //       static cppjieba::Jieba jieba;
  //     public:
  //       //对src字符串进行分词,分词结果存在out中
  //       static void CurString(const std::string& src,std::vector* out)
  //       {
  //         jieba.CutForSearch(src,*out);
  //       }
  //   };
  //     cppjieba::Jieba JiebaUtil:: jieba(DICT_PATH, HMM_PATH,USER_DICT_PATH,IDF_PATH,STOP_WORD_PATH);
  // }

  //分词时候,去掉暂停词
  class JiebaUtil
  {
  private:
    cppjieba::Jieba jieba;
    std::unordered_set<std::string> stop_words; //暂停词,set方便快速查找
    static JiebaUtil *instance;

  private:
    JiebaUtil() : jieba(DICT_PATH, HMM_PATH, USER_DICT_PATH, IDF_PATH, STOP_WORD_PATH) {}
    JiebaUtil(const JiebaUtil &) = delete;
    JiebaUtil &operator=(const JiebaUtil &) = delete;

  public:
    static JiebaUtil *GetInstance()
    {
      std::mutex mtx;
      if (nullptr == instance)
      {
        mtx.lock();
        if (nullptr == instance)
        {
          instance = new JiebaUtil();
          instance->InitJiebaUtil();
        }
        mtx.unlock();
      }
      return instance;
    }
    void InitJiebaUtil()
    {
      std::ifstream in(STOP_WORD_PATH);
      if (!in.is_open())
      {
        LOG(FATAL, "load stop word failed...");
        return;
      }
      std::string line;
      while (std::getline(in, line))
      {
        stop_words.insert(line);
      }
      in.close();
    }
    
    void CutStringHelper(const std::string &src, std::vector<std::string> *out)
    {
      jieba.CutForSearch(src, *out);
      //去暂停词:遍历分词的vector集合
      for (auto it = out->begin(); it != out->end();)
      {
        auto iter = stop_words.find(*it);
        if (iter !=stop_words.end())
        {
          //当前的分词是暂停词
          it = out->erase(it);
        }
        else
        {
          ++it;
        }
      }
    }

  public:
    static void CurString(const std::string &src, std::vector<std::string> *out)
    {
      GetInstance()->CutStringHelper(src, out);
    }
  };
   JiebaUtil *JiebaUtil::instance = nullptr;

}


十一:添加日志部同时部署服务到Linux

添加建议的日志功能:
该日志仅仅是为了打印一下一些信息,方便调试和观看;


新建log.hpp文件:该文件代码为

#pragma once 

#include
#include
#include

#define NORMAL  1
#define WARNING 2
#define DEBUG   3
#define FATAL   4

#define LOG(LEVEL,MESSAGE) log(#LEVEL,MESSAGE,__FILE__,__LINE__)

void log(std::string level,std::string message,std::string file,int line)
{
  std::cout<<"等级 "<<"["<<level<<"]"\
    <<"时间戳 "<<"["<<time(nullptr)<<"]"\
    <<"["<<message<<"]"\
    <<"文件 "<<"["<<file<<"]"\
    <<"行号 "<<"["<<line<<"]"\
    <<std::endl;
}


部署到Linux服务器中,日后你只需要根据ip和端口就可以直接访问了该搜索功能

[xjh@VM-12-10-centos boost_searcher]$ nohup ./http_server &

该命令会自动生成一个 nohup.out 文件,该文件就是你的日志信息输出的位置


项目的拓展方向

  1. 建立整站搜索,但是这个对服务器的资源配置比较高要求;

  2. 设计一个在线更新的方案,信号,爬虫,完成整个服务器的设计;
    信号方式定期去建立倒排正排索引,爬虫爬取相关信息;

  3. 不使用组件,而是自己设计一下对应的各种方案;
    比如自己写一个http服务啦,或者使用一些Nginx等服务器

  4. 在我们的搜索引擎中,添加竞价排名;

  5. 热次统计,智能显示搜索关键词(字典树,优先级队列);

  6. 设置登陆注册,引入对mysql的使用;


你可能感兴趣的:(项目,搜索引擎,服务器,网络,boost)