JAVA课程设计
基于学院网站的搜索引擎
对学院网站用爬虫进行抓取、建索（需要中文分词）、排序（可选）、搜索、数据摘要高亮、分页显示。Web界面。
一、团队介绍
二、项目git地址
码云地址
三、项目git提交记录截图
四、项目主要使用技术
- Httplcient
- Jsoup
- 多线程
- 数据库dao模式
- Lucene+IKAnanyzer
- Javascript /jQuery
- Bootstrap
- Web
五、项目其余特点
- 容错处理完善
- 界面美观
- 有配置文件
- 数据量大的时候查询速度依旧快
六、项目功能架构图与主要功能流程图
七、项目运行截图
用爬虫把数据爬取解析后存到数据库里面
把数据库里面的内容建索生成的索引文件
设计的前端界面
设计的logo，现在是2018年，也是狗年，然后就把2018变成狗。 这个是网站上直接下载下来的，不过也是找了好久
附上链接
我们再搜索框输入我们要查询的东西
然后展示搜索得到的结果
这个是gif动图，因为色彩太丰富了，导致录制的时候，看起来颜色有点变
八、项目整体流程
1.爬虫+数据库
对爬虫了解也不是很深，粗略的讲一下大体思路。
由于知识积累尚浅，平时一般采用这3种方式爬取基本的网页。
①观察url的规律，有些url可能是id=xxx，这个xxx是从1开始递增的，这个时候我们就是可以去遍历。具体规律看实际，这边只是一个思路
②查看网页源码，看看其属性class什么的，看看是否有规律，如果有，那就按照这个来，这个用Beautifulsoul4的时候经常用，叫做CSS 选择器。我们在写 CSS 时，标签名不加任何修饰，类名前加点.，id名前加 #，在这里我们也可以利用类似的方法来筛选元素。因为感觉写正则匹配太麻烦(其实是不太精通)，喜欢这种懒人式的操作。
还有的话就是用xpath语法来获取你想要的东西，以前有用过python中的scrapy框架，里面就有xpath语法，刚刚查了一下，用java写的爬虫中也有。反正现在浏览器xpath路径已经给你弄好，复制粘贴修改一下就ok。
③获取属性为的链接，可以用jsoup或者其他语言的其他解析器，也可以用正则去匹配。最后进行筛选，再去请求，再去匹配....
首先观察网站结构，先大体翻看url结构，发现每篇正文都是info/xxxx/xxxx.htm，于是有了第一个思路，对xxxx进行遍历，得到每一个url。再利用jsoup去进行解析，存进数据库。
然后又查看一下导航栏的源码,发现有惊喜，就是主干url的class都是menu0_0_
想到这就是继续深入，猜测副干那些也有这种规律。果不其然
综合上述方法，权衡利弊后，选择第二种方法。
观察学院网站发现，学院网站有基本的三层，第一层就是导航栏，请求menu0_0_,大概有几十个url
然后点击进去，到第二层，类似于文章的目录一样，这边的话上第一步的主干url请求以后，我们用选择器选择class="c124907"的链接
请求第二层的url，点击，到达第三层，这个时候我们就是在正文中提取自己想要的信息了，比如选择title，正文内容啊，.contentstyle124904等等
这边的话还碰到个小坑，刚刚开始爬取的时候，大概只是爬取到了300多条链接，想想觉得有点少，再翻看目录的话发现，还有分页的没有考虑到，于是，把分页的给弄下来
，分页的弄下来后，发现url数还是有点少，继续看，发现从当前页开始只显示7页的链接，其他剩余的这个从源码又爬取不到
观察这些页数的链接后，可以发现?a2t=19&a2p=3&a2c=10&urltype=tree.TreeTempUrl&wbtreeid=1114 ,a2t代表的是总页数， a2p代表的是当前页数，webtreeid这个不同页面id不同
于是正则去匹配，当a2t大于7的时候，把这个a2p里面的参数自己弄一个循环来添加。
到最后的话里面有重复的，要去一下重
以上的操作都是基于多线程来完成的。
获取到了全部url后(带有info正文的，一些无关紧要的url去掉)。
然后去请求这些url，里面也是有些可能是无效的，出现404 not found 啊什么的，利用jsoup，如果解析不到特定的字段，舍弃这个url。
这边的话利用多线程去请求正文标题等内容，请求完成以后就直接插入数据库了
数据库的话采用dao模式
建立一个爬虫的类
2 检索部分
刚刚开始做这个搜索引擎的时候是想直接用select * from xxx where xxxxx like '%xx%' 这个语法的来返回查询结果的，和老师交流了一下，改用Lucene+IkAnalyzer进行分词索引，然后查询。如果用 like语法的话，这个搜索引擎就失去了大半部分意义了。因为搜索引擎讲究的是高效，在数据量小的时候采用sql语法查询和在索引中进行查询差别不是太大，但数据量大的时候差别就出来了。在网上看到过一个案例， lucene在查找100W 数据的时间 控制在0.02秒左右,相反的在Sql中100W的全文检索的话需要10秒左右。有一个正采用lucene开发小型的搜索引擎的人测试，sql 100w以内的数据 还是勉强能OK . lucene 就不限制了.(目前 正在做的一个搜索引擎 数据量5T 将近5亿数据 时间维持在0.4秒以内)。
首先，我们要来理解lucene是什么？能干什么？
Lucene 是一个高效的，基于Java 的全文检索库
全文检索的定义：全文检索就是先创建索引，然后根据索引来进行搜索的过程，就叫全文检索。
全文检索首先对要搜索的数据或者是文档进行分词，然后形成索引，通过查询索引来查询文档。原理和查字典一样，对于一个不认识的字，我们先在偏旁部首表中找到偏旁，然后跳到所有带这个偏旁的字里面，再来搜寻这个字。再跳到这个词指定的页数，得到我们想要的结果。建立索引的话就是把查字典的过程给逆过来。对于一大段内容，先利用分词器IKAnalyzer进行分词（拆分成单独的字或词，去除标点，停词等），然后建立索引。搜索的话就和查字典一样了
这边用processon弄了一个简单的图
我们来看一下索引的内部结构，比如我们有10条数据库的记录，建成索引文档后docid编号为1-10
将其里面的内容进行建成索引文档
每个字符串都指向包含此字符串的文档(Document)链表，此文档链表称为倒排表
比如我们输入”计算机学院毕业生”进行查询，
这个时候IKAnalyzer会对其进行分词，拆分成计算机 算 学 学院 院 ..etc.
取出包含毕业、计算机、学院的文档链表进行合并，得到包含三者的文档，然后包含俩个的，一个的文档链表。
那么返回了那么多的结果，如何判断哪些是和我们的想要的结果最接近的呢？？
Term Frequency (tf)：这个词在文档中出现的次数
Document Frequency (df)：有多少文档包含这个Term
一个文档中包含了很多的词（Term）,其中找出词在文档中重要性的过程称为计算出词的权重（Weight），如果一个词在一个文档中出现次数越多说明越重要，但在其他的文档中出现的次数也越多，那么重要性就会降低，比如的字
判断Term之间的关系从而得到文档相关性的过程，也即向量空间模型的算法(VSM)
我们把文档看作一系列词(Term)，每一个词(Term)都有一个权重(Term weight)，不同的词(Term)根据自己在文档中的权重来影响文档相关性的打分计算。于是我们把所有此文档中词(term)的权重(term weight) 看作一个向量。
Document = {term1, term2, …… ,term N}
Document Vector = {weight1, weight2, …… ,weight N}
同样我们把查询语句看作一个简单的文档，也用向量来表示。
Query = {term1, term 2, …… , term N}
Query Vector = {weight1, weight2, …… , weight N}
我们把所有搜索出的文档向量及查询向量放到一个N维空间中，每个词(term)是一维。
我们一般认为两个向量之间的夹角越小，相关性越大。
所以我们计算夹角的余弦值作为相关性的打分，夹角越小，余弦值越大，打分越高，相关性越大。
打分的计算表达式为
3. 前后端
前后端也没有太多东西，就是一个美化后的表单+jquery进行分页和bootstrap+jquery修饰美化和数据交互，用表单接收到用户的数据后传到后端，然后再根据关键字从索引文件中查询出来，在前端进行展示
第一次用eclipsee，出现的问题就是eclipsee启动tomcat访问不到主页
查阅了相关资料后得知 在eclipsee中启动tomacat后，它去启动的web项目并不是tomcat文件夹下的webapp下web工程，而是eclipsee中自己的一个文件夹下的web工程。
附上解决链接
然后第二个问题是，如何把我查询到的数据传到jsp中，第一次用jsp，不太熟，后面查询到jsp里面也是可以写java代码的，这个就是非常6了
直接把获取到的数据存到crawl里面去，然后再弄个list
然后jsp页面接收
还有一个就是采用jquery进行分页，大体思路就是，从查询得到的结果里面统计获取到几条结果，然后自定义每条显示几个结果，向上取整得到分页的数目
，如果分页数目为1就不分页，不为1的话就是采用append方法添加链接，我们定义一个参数来接受，比如用户点倒第二页，那么参数分别为用户要查询的字段和要看的第几页，比如word=xxx&page=2，类推。
字段的话name就是相当于word，a就是相当于page=，变量命名是刚刚开始测试用的，也没有去改。
效果如前图。
九、项目关键代码
try {
Document doc=Jsoup.connect("http://cec.jmu.edu.cn/").get();
Elements links = doc.select(".menu0_0_");
for (Element link : links) {
lis1.add(oriurl+link.attr("href"));
}
} catch (IOException e1) {
e1.printStackTrace();
}
try {
CloseableHttpResponse response = httpClient.execute(httpget, context);
try {
HttpEntity entity = response.getEntity();
Document doc=Jsoup.parse(EntityUtils.toString(entity,"utf8"));
Elements links=doc.select(".c124907");
for (Element link : links) {
lis1.add(url +link.attr("href"));
}
String pattern ="\\?a2t=([0-9]{1,})&a2p=[0-9]{1,}&a2c=10&urltype=tree.TreeTempUrl&wbtreeid=([0-9]{1,})";
Elements links1=doc.select("a[href]");
for (Element link1 : links1) {
String line=link1.attr("href");
Pattern r = Pattern.compile(pattern);
Matcher m = r.matcher(line);
int i=0;
if (m.find( )) {
// System.out.println("Found value: " + m.group(0) );
int j=Integer.parseInt(m.group(1));
if(j>7){
for(int k=1;k CloseableHttpResponse response = httpClient.execute(httpget, context);
try {
HttpEntity entity = response.getEntity();
Document doc=Jsoup.parse(EntityUtils.toString(entity,"utf8"));
Elements links=doc.select(".c124907");
for (Element link : links) {
lis.add(link.attr("href"));
}
try {
HttpEntity entity = response.getEntity();
Document doc=Jsoup.parse(EntityUtils.toString(entity,"utf8"));
String title = doc.select(".contentstyle124904").text();
Crawl crawl=new Crawl(httpget.getURI().toString(),doc.title().toString(),title);
CrawlDaoImpl test=new CrawlDaoImpl();
try {
if(bool){
test.add(crawl);
System.out.println(httpget.toString()+"添加成功");
}
else{
System.out.println("添加失败");
jdbc.url=jdbc:mysql://localhost:3306/test
jdbc.username=root
jdbc.password=root
jdbc.driver=com.mysql.jdbc.Driver
@Override
public Crawl findById(int id) throws SQLException {
Connection conn = null;
PreparedStatement ps = null;
ResultSet rs = null;
Crawl p = null;
String sql = "select url,abs,description from crawl where id=?";
try{
conn = DBUtils.getConnection();
ps = conn.prepareStatement(sql);
ps.setInt(1, id);
rs = ps.executeQuery();
if(rs.next()){
p = new Crawl();
p.setId(id);
p.setUrl(rs.getString(1));
p.setAbs(rs.getString(2));
p.setDescription(rs.getString(3));
}
}catch(SQLException e){
e.printStackTrace();
throw new SQLException("*");
}finally{
DBUtils.close(rs, ps, conn);
}
return p;
}
public class IndexManager {
@Test
public void createIndex() throws Exception {
// 采集数据
CrawlDao dao = new CrawlDaoImpl();
List list = dao.findAll();
// 将采集到的数据封装到Document对象中
List docList = new ArrayList();
Document document;
for (Crawl crawl : list) {
document = new Document();
// store:如果是yes，则说明存储到文档域中
Field id = new IntField("id", crawl.getId(), Store.YES);
Field url = new StoredField("url", crawl.getUrl());
Field abs = new StoredField("abs", crawl.getAbs());
Field description = new TextField("description",
crawl.getDescription(), Store.YES);
document.add(id);
document.add(url);
document.add(abs);
document.add(description);
docList.add(document);
}
// 创建分词器，标准分词器
// Analyzer analyzer = new StandardAnalyzer();
// 使用ikanalyzer
Analyzer analyzer = new IKAnalyzer();
// 创建IndexWriter
IndexWriterConfig cfg = new IndexWriterConfig(Version.LUCENE_4_10_3,
analyzer);
// 指定索引库的地址
File indexFile = new File("C:\\test1\\aaa\\");
Directory directory = FSDirectory.open(indexFile);
IndexWriter writer = new IndexWriter(directory, cfg);
// 通过IndexWriter对象将Document写入到索引库中
for (Document doc : docList) {
writer.addDocument(doc);
}
writer.close();
}
public class IndexSearch {
List lis1=new ArrayList();
public List doSearch(Query query) throws InvalidTokenOffsetsException {
// 创建IndexSearcher
// 指定索引库的地址
try {
File indexFile = new File("C:\\test1\\aaa\\");
Directory directory = FSDirectory.open(indexFile);
IndexReader reader = DirectoryReader.open(directory);
IndexSearcher searcher = new IndexSearcher(reader);
// 通过searcher来搜索索引库
// 第二个参数：指定需要显示的顶部记录的N条
TopDocs topDocs = searcher.search(query, 20);
// 根据查询条件匹配出的记录总数
int count = topDocs.totalHits;
// ScoreDoc[] scoreDocs = topDocs.scoreDocs;
String filed="description";
// TopDocs top=searcher.search(query, 100);
QueryScorer score=new QueryScorer(query,filed);//传入评分
SimpleHTMLFormatter fors=new SimpleHTMLFormatter("", "");//定制高亮标签
Highlighter highlighter=new Highlighter(fors,score);//高亮分析器
// highlighter.setMaxDocCharsToAnalyze(10);//设置高亮处理的字符个数
for(ScoreDoc sd:topDocs.scoreDocs){
Document doc=searcher.doc(sd.doc);
String description=doc.get(filed);
//Lucene中分词的所有信息我们都可以从TokenStream流中获取.
TokenStream token=TokenSources.getAnyTokenStream(searcher.getIndexReader(), sd.doc, "description", new IKAnalyzer(true));//获取tokenstream
Fragmenter fragment=new SimpleSpanFragmenter(score); //根据这个评分新建一个对象
highlighter.setTextFragmenter(fragment); //必须选取最合适的
highlighter.setTextFragmenter(new SimpleFragmenter());//设置每次返回的字符数
String str=highlighter.getBestFragment(token, description);//获取高亮的片段，可以对其数量进行限制
Crawl crawl = new Crawl();
crawl.setDescription(str);
crawl.setAbs(doc.get("abs"));
crawl.setUrl(doc.get("url"));
lis1.add(crawl);
}
reader.close();
} catch (IOException e) {
e.printStackTrace();
}
return lis1;
}
<%
String d =request.getParameter("a");
//out.print(d+"
");
int b=0;
int k=0;
if(i!=0&&d==null){
for(Crawl crawl: lis){
if(5>k&&k>=0){
out.print("");
out.print(""+crawl.getDescription()+"
");
out.print("
");
}
k=k+1;
}
}
else{
if(d!=null){
int c=Integer.valueOf(d);
//out.print(c);
for(Crawl crawl: lis){
if(c*5>b&&b>=(c-1)*5){
if(crawl.getDescription()==null){
out.print("");
}
else{
out.print("
");
out.print(""+crawl.getDescription()+"
");
out.print("
");
}
}
b=b+1;
}
}
}
%>
十、尚待改进或者新的想法
变量的命名不太规范
可以尝试着去做一个只有修改部分参数，就可以去爬取别的网站的搜索引擎，甚至更大
团队成员任务分配
|
姓名
|
任务
|
| --- | --- |
|
袁德兴
|
利用Lucene和IKanalyzer进行检索，部分前后端内容与模块衔接
|
|
陈芳毅
|
采用httpclient和jsoup，进行爬取和解析，部分数据库内容
|
|
韩烨
|
采用数据库的dao模式将jsoup解析后的内容进行存储，部分前端和logo的设计
|
|
刘兵
|
采用bootstrap和jsp等进行前端界面的设计和后端代码实现
|
|
张晨曦
|
采用jquery和jsp等进行前端界面的设计和后端代码的实现
|
十一、本次课设中大佬们博客内容提供的帮助非常大，衷心的感谢。
httpclient官方文档
lucene学习教程
lucene学习5分钟
lucene学习
lucene4入门实例
lucene高亮
jsp教程
jquery教程
bootstrap教程