文章目录
总体逻辑如下
几个关键问题统一写在这：
- 这个是站内搜索，所以不涉及爬虫。都是处理本地下载好的html数据
- 搜索逻辑设计的极其简单。先从浏览器拿到关键字，然后服务器上得到需要返回的文档ID，再把对应ID的文档内容以JSON的形式返回给浏览器
- 在判断哪些文档是最匹配用户输入的关键字的需求上，也是用的简单的逻辑。通过统计文档中出现的关键字次数，并根据关键字出现在不同地方，乘一个不同的系数来当成一个权值。权值越大，认为这个文档和关键字越匹配。
- 正排索引和倒排索引的概念就是根据第二点提出的。
正排索引
倒排索引
搜索结果的结构
- 网站的url
- 标题
- 一段随机的简介
这样我们就可以通过搜索关键字找到需要的页面的网址了
下载我们需要的数据
下面是boost官网提供的boost文档，里面都是大量的html
下载解压后是这样子的
因此我们要返回的结果都是通过解析这部分html来返回的。
分析html结构
由于我只需要title和其余的content，因此我们首先要做的是去标签工作，提取其中的标题和内容
数据处理
去标签之标题
如何拿到标题是什么?
思路：找到< title >和< /title >标签，里面的那段字符串就是标题
实现的基本思路就是使用find函数和substr函数，比较简单。
关于DocContent是什么后面再补充
void ParseTitle(const std::string &s, DocContent &d)
{
int begin = 0, end = 0;
begin = s.find("<title>");
begin += std::string("<title>").size();
end = s.find("</title");
if (end < begin)
return;
d._title = s.substr(begin, end - begin);
}
去标签之正文内容
使用状态变化来编写代码的写法会比较简单
- 一开始时处于LABEL状态，如果是标签状态，继续读下一个字符，直到读到字符’>",要转换成CONTENT状态
- 如果处于CONTENT状态，那么把每一个字符都保存下来，如果读到一个换行符’\n’，那么把它换成空格来存下来。原因是为了方便后面使用一个getline就可以把整一个文档给读进来
void ParseContent(const std::string &s, DocContent &d)
{
enum status
{
LABLE,
CONTENT
};
status st = LABLE;
for (char c : s)
{
switch (st)
{
case LABLE:
if (c == '>')
{
st = CONTENT;
}
break;
case CONTENT:
if (c == '<')
{
st = LABLE;
}
else
{
if (c == '\n')
c = ' ';
d._content += c;
}
break;
default:
break;
}
}
}
构造url
由于做的是站内搜索，所以url的构建是基于主网站的。
可以看到boost官网的文档都是在框框中的网址里的，所以根据这个网址，再加上每个文件的文件名，就可以构建出一个url了
本质就是基网址+文件名
把上述的数据清理操作对每一个文件都做一遍
逻辑就是遍历存放数据的文件夹，把所有后缀是.html的文件都做一遍数据清理即可。
遍历文件这个操作需要用到boost库里的一个函数（或者用c++17的语法），具体用法参考
std::filesystem::recursive_directory_iterator
void GetFileName(const std::string &src_path, std::vector<std::string> &fileName)
{
namespace fs = boost::filesystem;
fs::path root_path(src_path);
fs::recursive_directory_iterator end; // 递归遍历
for (fs::recursive_directory_iterator iter(root_path); iter != end; iter++)
{
if (iter->path().extension() != ".html")
{
continue;
}
fileName.push_back(iter->path().string());
}
}
void ReadContent(const std::vector<std::string> &fileName, std::vector<DocContent> &fileContent)
{
for (const std::string s : fileName)
{
std::string result;
FileUtils::ReadFile(s, result);
DocContent d;
ParseTitle(result, d);
ParseContent(result, d);
ParseUrl(s, d);
fileContent.push_back(std::move(d));
}
};
上述两个函数就是用于遍历和数据清理的。这里讲一下一个c++11的语法:移动，下面的函数的std::move就是用了移动语法的一个函数
void ReadContent(const std::vector<std::string> &fileName, std::vector<DocContent> &fileContent)
{
for (const std::string s : fileName)
{
...
DocContent d;
...
fileContent.push_back(std::move(d));
}
};
本来d是一个临时变量，如果要push_back到一个vector，就要发生一次拷贝。这样开销就会比较大，因为d里面的字符串长度还是挺长的。
如果使用move函数，就可以让这个这个临时变量的内存空间的所有权转让给vector使用，这样就不需要拷贝了。
把处理好的数据都保存到一个.bin文件
读写文件用的是< fstream >中的ifstream和ofstream，具体参考链接
ifstream
ofstream
void SaveContent(const std::vector<DocContent> &fileContent)
{
const std::string dst = "/home/mhq/boost_searcher/data/processed_data/process.txt";
std::ofstream out(dst, std::ios::out | std::ios::binary);
std::string s;
for (auto &e : fileContent)
{
s += e._title;
s += '\3';
s += e._content;
s += '\3';
s += e._url;
s += '\n';
}
out << s;
};
这里我们采用了一个策略，每一个文档之间用\n来分割，文档内部的元素之间用\3来分割。
使用\n分割的原因：getline可以一次性把换行符之前的东西读入，这样我们每一次getline都可以读完一整个完整的文档
使用\3来分隔文档内部的原因：\3在ASCII码里是一个控制字符，普通html里不可能出现这个字符，所以加入\3不会影响文档内容原来的正确性
构建正排索引
正排索引就是给每个文档编号，这样我们就可以通过ID来找到对应的文档内容。单独的正排索引没什么用，它的作用是用来构建倒排索引。
索引其实就是一个vector，每一个元素是一个ForwardElem
class ForwardElem
{
public:
DocContent _doc;//文档内容
int _doc_id;
ForwardElem() = default;
};
std::vector<ForwardElem> _forward_index; // 正排索引
我们之前已经把所有文档的去标签后的结果保存到一个文件里了，现在我们每一次getline都可以读出一整个文档的内容。并且在文档内加入了\3的分隔符。因此我们可以通过\3来把更具体的信息再挖掘出来。即标题，内容，url。
因此思路就是：
- 用\3分割字符串，构造一个文档内容
- 把这个文档内容放入正排索引的vector中
- 给这个文档内容编号
编号的逻辑很简单，vector里面有多少个元素，该文档的id就是多少
ForwardElem *BuildForwardIndex(const std::string &file)
{
std::vector<std::string> subline;
CutString(file, subline, '\3');
ForwardElem t;
t._doc = DocContent(subline[0], subline[1], subline[2]);
if (subline.size() != 3)
{
std::cout << "建立ForwardIndex失败,具体原因是分词失败" << std::endl;
return nullptr;
}
t._doc_id = _forward_index.size();
_forward_index.push_back(std::move(t));
return &_forward_index.back();
}
关于CutString这个函数怎么实现，可以使用boost库里面的split函数。
下面这个写法是网上copy的，照着写即可
void CutString(std::string line, std::vector<std::string> &subline, char a)
{
boost::split(subline, line, boost::is_any_of("\3"), boost::token_compress_on);
}
构建倒排索引
倒排索引是通过关键词，我们可以返回具体的文档ID。因此我们要建立关键词和文档ID的关系。在一开始的关键问题已经说了，关系紧密的定义我们用关键字在文档中出现的次数和位置来衡量。 因此我们现在要开始分词了。只有先分词，我们才能知道关键字在文档中是否出现，出现几次等问题。
使用cpp-jieba分词
cppjieba安装和使用
这个库的使用有点小坑，得看这篇文章，不然无法正常编译过去
安装好之后作者会提供给你一个demo，把demo的代码复制过来就可以用了。
如下：
class Jieba
{
public:
static cppjieba::Jieba jieba;
static void CutString(const std::string &src, std::vector<std::string> &words);
};
cppjieba::Jieba Jieba::jieba(DICT_PATH,
HMM_PATH,
USER_DICT_PATH,
IDF_PATH,
STOP_WORD_PATH);
void Jieba::CutString(const std::string &s, std::vector<std::string> &words)
{
jieba.CutForSearch(s, words);
}
计算每个文档中的每个词的权重
逻辑如下：
- 对文档中的标题，正文进行分词
- 统计标题的词频和正文的词频（哈希）
- weight = title_cnt * 10 + content_cnt
有一个点：对于每个词来讲，我们不需要区分大小写，boost库里面有一个函数可以把字符串都变成小写
void BuildInvertedIndex(const ForwardElem &ForwardElem)
{
std::vector<std::string> titleWords, contentWords;
Jieba::CutString(ForwardElem._doc._title, titleWords);
Jieba::CutString(ForwardElem._doc._content, contentWords);
std::unordered_map<std::string, Cnt> wordCnt;
for (auto &e : titleWords)
{
boost::to_lower(e);
wordCnt[e]._title_cnt++;
}
for (auto &e : contentWords)
{
boost::to_lower(e);
wordCnt[e]._content_cnt++;
}
for (auto &e : wordCnt)
{
InvertedElem invertedElem;
invertedElem._doc_id = ForwardElem._doc_id;
invertedElem._word = e.first;
invertedElem._weight = e.second._title_cnt * 10 + e.second._content_cnt;
_inverted_index[e.first].push_back(std::move(invertedElem));
}
}
对所有文档都进行上述的建立正排与倒排索引操作
逻辑：遍历每一个文档即可，之前已经用换行符对每一个文档进行了分割。因此现在每次getline都是一个文档。
void BuildIndex(const std::string &file)
{
std::ifstream in(file, std::ios::in | std::ios::binary);
std::string line;
while (getline(in, line))
{
// 每一个换行符前都是整个文件
ForwardElem *forwardElem = BuildForwardIndex(line);
BuildInvertedIndex(*forwardElem);
}
std::cout << "索引已经建立完毕" << std::endl;
}
Search模块
到了这一步时数据准备部分已经完成了，现在要做的是返回数据的逻辑
逻辑如下：
- 先拿到用户提供的关键字，然后用jieba进行分词，拿到具体的关键字
- 用关键字去查倒排索引，得到要返回的文档的ID，并保存下它们的InvertedElem（里面存着weight，后面要根据weight来排序）
- 根据weight来排序InvertedElem
- 把前x个InvertedElem保存在Json串里
- 返回Json串
void Search(const std::string &key, std::string *json_reply)
{
std::vector<std::string> words;
Jieba::CutString(key, words);
std::vector<InvertedElem> all;
for (auto &e : words)
{
std::vector<InvertedElem> *t = index->GetInvertedElem(e);
if (!t)
{
continue;
}
for (auto &e : *t)
{
all.push_back(e);
}
}
std::sort(all.begin(), all.end(), [](const InvertedElem &e1, const InvertedElem &e2)
{ return e1._weight > e2._weight; });
all = std::vector<InvertedElem>(all.begin(), all.begin() + 10);
Json::Value root;
for (auto &e : all)
{
ForwardElem *forwardElem = index->GetForwardElem(e._doc_id);
if (forwardElem == nullptr)
continue;
Json::Value elem;
DocContent docContent = forwardElem->_doc;
elem["title"] = docContent._title;
elem["content"] = GetDesc(docContent._content, e._word);
elem["url"] = docContent._url;
elem["weight"] = e._weight;
elem["id"] = e._doc_id;
root.append(elem);
Json::StyledWriter writer;
*json_reply = writer.write(root);
}
}
关于jsoncpp的使用，参考这个链接
jsoncpp下载和简单使用
我这里直接用了apt install的方式下载jsoncpp，比较简答
http server模块
cpp-httplib
cpp-httplib的github
我使用的版本比较老，是0.7.15版本。文档内有说明如何调用接口
拿参，并且调用我们的search返回我们的json串
关于如何使用cpp-httplib看是否有参数并且拿到参数，可以参考文档中的这个demo
因此我们只需要编写这个逻辑即可
- 准备好数据部分，启动searcher
- 拿参
- 把参数放入search函数中，得到返回的json
- 把json返回给用户
Searcher search;
search.InitSearcher(datas);
httplib::Server svr;
svr.Get("/s", [&](const httplib::Request &request, httplib::Response &response)
{
if (!request.has_param("word"))
{
response.set_content("请输入搜索内容", "text/plain: charset=utf-8");
return;
}
string word = request.get_param_value("word");
string json_str;
search.Search(word, &json_str);
response.set_content(json_str, "application/json");
});
svr.listen("0.0.0.0", 8081);
最终结果
可以成功返回结果，后序可以编写前端，完善界面
437
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
