1 项目简介
1.1项目技术栈
爬虫功能使用Python的scrapy库实现,并用MongoDB数据库进行存储。
索引构建和搜索功能用Python的Whoosh和jieba库实现。(由于lucene是java库,所以pyLucene库的安装极其麻烦,因此选用Python原生库Whoosh实现,并使用jieba进行中文分词。)
搜索网页界面用django实现
1.2基本要求
以下是检索的基本要求:可以利用lucene、nutch等开源工具,利用Python、Java等编程语言,但需要分别演示并说明原理。
-
- Web网页信息抽取 以山东大学新闻网为起点进行网页的循环爬取,保持爬虫在view.sdu.edu.cn之内(即只爬取这个站点的网页),爬取的网页数量越多越好。
-
- 索引构建 对上一步爬取到的网页进行结构化预处理,包括基于模板的信息抽取、分字段解析、分词、构建索引等。
-
- 检索排序 对上一步构建的索引库进行查询,对于给定的查询,给出检索结果,明白排序的原理及方法。
2 运行方式
-
运行
sduspider/run.py
来进行网络爬虫,这个过程将持续十多个小时,但可以随时终止,在下次运行时继续。 -
运行
indexbuilder/index_builder.py
来对数据库中的72000条数据构建索引,该过程将持续几个小时,但可以随时终止。 -
如果不熟悉Whoosh库的构建索引和query搜索功能,可以参考运行
indexbuilder/sample.py
。 -
运行
indexbuilder/query.py
来测试搜索功能。 -
运行
searchengine/run_server.py
打开搜索网页服务器,在浏览器中打开127.0.0.1:8000进入搜索页面执行搜索。
源码和文档都托管在了【WRITE-BUG数字空间】上面了,有需要的可自取~