java实现简单的搜索引擎

先写具体的实现代码，具体的实现思路和逻辑写在代码之后。

搜索时用于排序的Bean

/**
*@Description:
*/
package cn.lulei.search.engine.model;

public class SortBean {
private String id;
private int times;

public String getId() {
return id;
}
public void setId(String id) {
this.id = id;
}
public int getTimes() {
return times;
}
public void setTimes(int times) {
this.times = times;
}
}

构造的搜索数据结构以及简单的搜索算法

/**
*@Description:
*/
package cn.lulei.search.engine;

import java.util.ArrayList;
import java.util.Collections;
import java.util.Comparator;
import java.util.HashMap;
import java.util.HashSet;
import java.util.List;

import cn.lulei.search.engine.model.SortBean;

public class SerachBase {
//details 存储搜素对象的详细信息，其中key作为区分Object的唯一标识
private HashMap<String, Object> details = new HashMap<String, Object>();
//对于参与搜索的关键词，这里采用的稀疏数组存储，也可以采用HashMap来存储，定义格式如下
//private static HashMap<Integer, HashSet> keySearch = new HashMap<Integer, HashSet>();
//HashMap中额key值相当于稀疏数组中的下标，value相当于稀疏数组在该位置的值
private final static int maxLength = Character.MAX_VALUE;
@SuppressWarnings(“unchecked”)
private HashSet[] keySearch = new HashSet[maxLength];

/**
*@Description: 实现单例模式，采用Initialization on Demand Holder加载
*@Version:1.1.0
*/
private static class lazyLoadSerachBase {
private static final SerachBase serachBase = new SerachBase();
}

/**

• 这里把构造方法设置成私有为的是单例模式
  */
  private SerachBase() {

}

/**

• @return
• @Description: 获取单例
  */
  public static SerachBase getSerachBase() {
  return lazyLoadSerachBase.serachBase;
  }

/**

• @param id
• @return
• @Description: 根据id获取详细
  */
  public Object getObject(String id) {
  return details.get(id);
  }

/**

• @param ids
• @return
• @Description: 根据ids获取详细，id之间用",“隔开
  */
  public List getObjects(String ids) {
  if (ids == null || “”.equals(ids)) {
  return null;
  }
  List objs = new ArrayList();
  String[] idArray = ids.split(”,");
  for (String id : idArray) {
  objs.add(getObject(id));
  }
  return objs;
  }

/**

• @param key
• @return
• @Description: 根据搜索词查找对应的id，id之间用","分割
  */
  public String getIds(String key) {
  if (key == null || “”.equals(key)) {
  return null;
  }
  //查找
  //idTimes存储搜索词每个字符在id中是否出现
  HashMap<String, Integer> idTimes = new HashMap<String, Integer>();
  //ids存储出现搜索词中的字符的id
  HashSet ids = new HashSet();

//从搜索库中去查找 
for (int i = 0; i < key.length(); i++) { 
  int at = key.charAt(i); 
  //搜索词库中没有对应的字符，则进行下一个字符的匹配 
  if (keySearch[at] == null) { 
    continue; 
  } 
  for (Object obj : keySearch[at].toArray()) { 
    String id = (String) obj; 
    int times = 1; 
    if (ids.contains(id)) { 
      times += idTimes.get(id); 
      idTimes.put(id, times); 
    } else { 
      ids.add(id); 
      idTimes.put(id, times); 
    } 
  } 
} 
 
//使用数组排序 
List<SortBean> sortBeans = new ArrayList<SortBean>(); 
for (String id : ids) { 
  SortBean sortBean = new SortBean(); 
  sortBeans.add(sortBean); 
  sortBean.setId(id); 
  sortBean.setTimes(idTimes.get(id)); 
} 
Collections.sort(sortBeans, new Comparator<SortBean>(){ 
  public int compare(SortBean o1, SortBean o2){ 
    return o2.getTimes() - o1.getTimes(); 
  } 
}); 
 
//构建返回字符串 
StringBuffer sb = new StringBuffer(); 
for (SortBean sortBean : sortBeans) { 
  sb.append(sortBean.getId()); 
  sb.append(","); 
} 
 
//释放资源 
idTimes.clear(); 
idTimes = null; 
ids.clear(); 
ids = null; 
sortBeans.clear(); 
sortBeans = null; 
 
//返回 
return sb.toString(); 

}

/**

• @param id
• @param searchKey
• @param obj
• @Description: 添加搜索记录
  */
  public void add(String id, String searchKey, Object obj) {
  //参数有部分为空，不加载
  if (id == null || searchKey == null || obj == null) {
  return;
  }
  //保存对象
  details.put(id, obj);
  //保存搜索词
  addSearchKey(id, searchKey);
  }

/**

• @param id
• @param searchKey
• @Description: 将搜索词加入到搜索域中
  */
  private void addSearchKey(String id, String searchKey) {
  //参数有部分为空，不加载
  //这里是私有方法，可以不做如下判断，但为了设计规范，还是加上
  if (id == null || searchKey == null) {
  return;
  }
  //下面采用的是字符分词，这里也可以使用现在成熟的其他分词器
  for (int i = 0; i < searchKey.length(); i++) {
  //at值相当于是数组的下标，id组成的HashSet相当于数组的值
  int at = searchKey.charAt(i);
  if (keySearch[at] == null) {
  HashSet value = new HashSet();
  keySearch[at] = value;
  }
  keySearch[at].add(id);
  }
  }

}

测试用例：

/**
*@Description:
*/
package cn.lulei.search.engine.test;

import java.util.List;

import cn.lulei.search.engine.SerachBase;

public class Test {
public static void main(String[] args) {
// TODO Auto-generated method stub
SerachBase serachBase = SerachBase.getSerachBase();
serachBase.add(“1”, “你好！”, “你好！”);
serachBase.add(“2”, “你好！我是张三。”, “你好！我是张三。”);
serachBase.add(“3”, “今天的天气挺好的。”, “今天的天气挺好的。”);
serachBase.add(“4”, “你是谁？”, “你是谁？”);
serachBase.add(“5”, “高数这门学科很难”, “高数确实很难。”);
serachBase.add(“6”, “测试”, “上面的只是测试”);
String ids = serachBase.getIds(“你的高数”);
System.out.println(ids);
List objs = serachBase.getObjects(ids);
if (objs != null) {
for (Object obj : objs) {
System.out.println((String) obj);
}
}
}

}

测试输出结果如下：

5,3,2,1,4,
高数确实很难。
今天的天气挺好的。
你好！我是张三。
你好！
你是谁？

这样一个简单的搜索引擎也就算是完成了。

问题一：这里面的分词采用的是字符分词，对汉语的处理还是挺不错的，但是对英文的处理就很弱。

改进方法：采用现在成熟的分词方法，比如IKAnalyzer、StandardAnalyzer等，这样修改，keySearch的数据结构就需要做下修改，可以修改为 private HashMap<String, String>[] keySearch = new HashMap[maxLength]; 其中key存储分的词元，value存储唯一标识id。

问题二：本文实现的搜索引擎对词元并没有像lucene设置权重，只是简单的判断词元是否在对象中出现。

改进方法：暂无。添加权重处理，使数据结构更加复杂，所以暂时没有对其做处理，在今后的文章中会实现权重的处理。

下面就简单的介绍一下搜索引擎的实现思路。

在SerachBase类中设置details和keySearch两个属性，details用于存储Object的详细信息，keySearch用于对搜索域做索引。details数据格式为HashMap，keySearch的数据格式为稀疏数组（也可以为HashMap，HashMap中额key值相当于稀疏数组中的下标，value相当于稀疏数组在该位置的值）。

对于details我就不做太多的介绍。

keySearch中数组下标（如用HashMap就是key）的计算方法是获取词元的第一个字符int值（因为本文的分词采用的是字符分词，所以一个字符就是一个词元），该int值就是数组的下标，相应的数组值就是Object的唯一标识。这样keySearch的数据结构就如下图

因此想添加新纪录的时候只需要调用add方法即可。

对于搜索的实现逻辑和上面的keySearch类似。对于id的搜索直接使用HashMap的get方法即可。对于搜索词的一个搜索，整体的过程也是采用先分词、其次查询、最后排序。当然这里面的分词要和创建采用的分词要一致（即创建的时候采用字符分词，查找的时候也采用字符分词）。

在getIds方法中，HashMap<String, Integer> idTimes = new HashMap<String, Integer>();idTimes 变量用来存储搜索词中的词元有多少个在keySearch中出现，key值为唯一标识id，value为出现的词元个数。HashSet ids = new HashSet(); ids变量用来存储出现的词元的ids。这样搜索的复杂度就是搜索词的词元个数n。获得包含词元的ids，构造SortBean数组，对其排序，排序规则是出现词元个数的降序排列。最后返回ids字符串，每个id用"，"分割。如要获取详细信息
再使用getObjects方法即可。

上述的只是一个简单的搜索引擎，并没有设计太多的计算方法，希望对大家的学习有所启发。

本文转载自：http://www.jb51.net/article/79007.htm