项目：【Boost搜索引擎】

功能和框架

功能：实现boost文档站内搜索引擎，通过输入查询内容，将与查询内容有关文档的网页按该词的权值降序显示出来，包括标题、内容摘要和网页url，通过点击标题可直接跳转boost库网页进行文档阅读。

框架：

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

项目环境：

Linux CentOS 7云服务器、vim/gcc(g++)/Makefile、vscode

具体实现代码结构

项目背景

目前市面上的搜索引擎不为少数，例如国内的：百度、搜狗、360；国外的：谷歌、火狐等等。那我们自己实现一个全网的像这样的搜索引擎是不太现实的，但是我们可以实现一个站内的【boost搜索引擎】。

简单介绍一下boost库：

Boost是为C++语言标准库提供扩展的一些C++程序库的总称。Boost库是一个可移植、提供源代码的C++库，作为标准库的后备，是C++标准化进程的开发引擎之一，是为C++语言标准库提供扩展的一些C++程序库的总称。

站内搜索的特点：搜索的数据更垂直，数据量相对较小，比如像cplusplus、boost库、甚至像你校内的网站。

并且boost库官网是没有站内搜索的，正好我们自己做一个。

我们先来看一下一个搜索引擎的画面都有什么功能，拿百度举例：

我们发现每条结果需要三部分组成：
网页的title、网页内容的摘要、即将跳转的网页url

当然你像百度，前几个还有广告。
我们的boost搜索引擎主要针对主要的这3部分。

搜索引擎的宏观原理

正排索引 倒排索引-搜索引擎具体原理

文档1：小明买了五斤苹果
文档2：小明发布了苹果手机

正排索引：就是由文档ID找到文档内容。

文档ID	文档内容
1	小明买了五斤苹果
2	小明发布了苹果手机

对目标文档进行分词（目的：方便建立倒排索引和查找）：

文档1：小明/买了/五斤/苹果/五斤苹果
文档2：小明/发布/了/苹果/手机/苹果手机

停止词：了、的、a、is…一般分词不考虑（最后分词结果去掉停止词）。

倒排索引：根据文档内容进行分词，整理不重复的各个关键字，对应联系到文档ID

关键字(具有唯一性)	文档ID(weight权值)
小明	文档1， 文档2
买	文档1
五斤	文档1
苹果	文档1， 文档2
五斤苹果	文档1
发布	文档2
苹果手机	文档2

模拟一次查找的过程：
用户输入：苹果->在倒排索引重查找->提取出文档ID(1、2)->再根据正排索引->找到文档内容->title+content+url->构建相应结果

1、去标签 数据清理模块Parser

1. 将boost库中的html网页下载到本地src_path。
2. 第一步：EnumFile(src_path, &files_list)递归式的把每个html文件名带路径，保存到vector<std::string> files_list中，方便后期进行一个一个的文件进行读取。
3. 第二步: ParseHtml(files_list, &results)按照files_list读取每个文件的内容，并进行解析；按照DocInfo_t结构体格式(title、content、url)进行解析，将每一份解析出来的html对象，都保存到vector<DocInfo_t> results里。
4. 第三步：SaveHtml(results, output)把解析完毕的各个文件内容，写入到output文档中，按照\3作为单个文档的title content url分割符 \n作为各个html文档之间的分隔符。

2、建立索引模块Index

1. 定义正排索引：vector<DocInfo> forward_index，倒排拉链：vector<InvertedElem> InvertedList，倒排索引：unordered_map<string, InvertedList> inverted_index。
2. 构建索引BuildIndex(const std::string &input)由正排索引和倒排索引构建索引。
3. 创建正排索引：BuildForwardIndex(const std::string &line)，解析文档line，字符串切分Split(line, &results, sep)，切分结果填充到结构体DocInfo里，最后插入到正排索引的vector<DocInfo> forward_index。
4. 创建倒排索引：BuildInvertedIndex(const DocInfo &doc)，unordered_map<string, word_cnt> wordCnt_map用来暂存词频的映射表，对标题进行分词CutString(doc.title, &title_words)，分词结果进行词频统计放入映射表，对文档内容进行分词CutString(doc.content, &content_words)，分词结果进行词频统计放入映射表，然后计算权值，构建倒排拉链，最后添加到倒排索引unordered_map<string, InvertedList> inverted_index。
5. 根据doc_id找到找到文档内容GetForwardIndex(uint64_t doc_id)，根据关键字string，获得倒排拉链GetInvertedList(const std::string &word)。

3、搜索引擎模块 searcher

1. 首先InitSearcher(const string &input)完成初始化，GetInstance()创建索引index对象，index->BuildIndex(input)根据index对象建立索引。
2. 根据用户输入的查询词进行搜索Search(const string &query, string *json_string)，首先对查询词进行分词CutString(query, &words)，再根据分词结果的关键词触发倒排索引GetInvertedList(word)，然后合并排序汇总查找结果，按照相关性权值(weight)降序排序sort，之后根据倒排索引的结果，拿到文档ID，通过ID索引到对应文档内容GetForwardIndex(item.doc_id)，最终根据查找出来的结果，构建json串输出*json_string = writer.write(root)。

4、网络服务模块http-server

1. 初始化搜索引擎模块InitSearcher(input)。
2. 构建http网络服务对象httplib::Server svr。
3. 设置默认网页根目录svr.set_base_dir(root_path.c_str())。
4. Get获取参数svr.Get()。
5. req获取请求的查询词req.get_param_value("word")。
6. 对查询词进行搜索search.Search(word, &json_string)。
7. rsp将结果输出rsp.set_content(json_string, "application/json")。
8. 服务器打开8081访问端口svr.listen("0.0.0.0", 8081)。

5、前后端交互及html页面模块

1. html实现网页结构骨架。
2. css实现网页的美化。
3. js中使用jQuery实现动态效果，ajax实现前后端交互。

项目总结

该项目实现了一个Boost搜索引擎，启动服务器，服务器先进行预处理，将boost库中html数据源进行去标签，解析出标题内容和url。然后根据预处理结果建立正排和倒排索引，服务器启动完毕。用户输入查询内容，服务器进行搜索，将查询内容进行分词，分词结果关键字触发索引找到结果，对结果根据权值的降序排序，最后拼装整合新的页面结果展现给用户，用户可以点击要查看的标题跳转到相关页面。

项目特点和扩展

1. 该项目的数据源是boost库中doc下的html文件，该数据源是可以随意更换的，用什么数据源，它就是什么搜索引擎。
2. 该数据源比较固定，可以实现一下在线更新的方案，比如通过爬虫技术，实时监视网页数据内容是否更新，当发现更新，运用操作系统信号知识，同步更新我们服务器上的数据源，当然我们不想因此让服务器关闭，所以可以使用多进程多线程的方案实现。
3. 该项目会根据用户搜索的内容按关键词权值降序显示，也就是权值高的在最开始。所以我们可以在搜索引擎中添加竞价排名，也就是广告(比如百度)，根据谁给的价格高，权衡质量品质，可以调整此广告的权值进行排序。
4. 另外可以增加登录注册功能，从而引入mysql的使用。

项目网站页面示例