搜尋引擎技術核心揭密(PHP)

來源:互聯網
上載者:User
搜尋引擎 作者:沙雨

編者按:這是一篇精彩的編程教學文章,不但詳細地剖析了搜尋引擎的原理,也提供了筆者自己對使用PHP編製搜尋引擎的一些思路。整篇文章深入淺出,相信無論是高手還是菜鳥,都能從中得到不少的啟發。

  談到網頁搜尋引擎時,大多數人都會想到雅虎。的確,雅虎開創了一個互連網絡的搜尋時代。然而,雅虎目前用於搜尋網頁的技術卻並非該公司原先自己開發的。2000年8月,雅虎採用了Google(www.google.com)這家由斯坦福大學學生建立的風險公司的技術。理由非常簡單,Google的搜尋引擎比雅虎先前使用的技術能更快、更準確搜尋到所需要的資訊。

  讓我們自己來設計、開發一個強勁、高效的搜尋引擎和資料庫恐怕短時間內在技術、資金等方面是不可能的,不過,既然雅虎都在使用別人的技術,那麼我們是不是也可以使用別人現成的搜尋引擎網站呢?

剖析編程思路

  我們可以這樣設想:類比一個查詢,向某個搜尋引擎網站發出相應格式的搜尋命令,然後傳回搜尋結果,對結果的HTML代碼進行分析,剝離多餘的字元和代碼,最後按所需要的格式顯示在我們自己的網站頁面裡。

  這樣,問題的關鍵就在於,我們要選定一個搜尋資訊準確(這樣我們的搜尋才會更有意義啊)、速度快(因為我們分析搜尋結果並顯示需要額外的時間),搜尋結果簡潔(便於進行HTML原始碼分析和剝離)的搜尋網站,由於新一代搜尋引擎Google的各種優良特性,這裡我們選擇它為例,來看看用PHP怎樣實現後台對Google(www.google.com)搜尋、前台個人化顯示這一過程。

  我們先來看看Google的查詢命令的構成。進入www.google.com網站,在查詢欄中輸入“abcd”,點擊查詢按鈕,我們可以發現瀏覽器的地址欄變成:"http://www.google.com/search?q=abcd&btnG=Google%CB%D1%CB%F7&hl=zh-CN&lr=",可見,Google是通過表單的get方式來傳遞查詢參數並遞交查詢命令的。我們可以使用PHP中的file()函數來類比這個查詢過程。

瞭解File()函數

  文法: array file(string filename);

  傳回值為數組,將檔案全部讀入陣列變數中。這裡的檔案可以是本地的,也可以是遠端,遠程檔案必須指明所使用的協議。例如: result=file(“http://www.google.com/search?q=abcd&btnG=Google%CB%D1%CB%F7&hl=zh-CN&lr=”),該語句將類比我們在Google上查詢單詞“abcd”的過程,並將搜尋結果以每行為元素,傳回到陣列變數 result中。因為這裡讀取的檔案是遠端,所以協議名“http://”不能缺少。

  如果要讓使用者輸入搜尋字元進行任意搜尋,我們可以做一個輸入文字框和提交按鈕,並將上文中的被搜尋字元“abcd”用變數替換:
<?php
echo '<form>'; //沒有參數的form,預設提交方式為get,提交到本身
echo '<input type="text" name="keywords">'; //構造一個文本輸入框
echo '<input type="submit" value="查詢">'; //構造一個提交查詢按鈕
echo '</form>';

if (isset( keywords)) //提交後PHP會產生變數 kwywords,即要求下面的程式在提交後運行
{
urlencode( keywords); //對使用者輸入內容進行URL編碼
result=file("http://www.google.com/search?q=". keywords."&btnG=Google%CB%D1%CB%F7&hl=zh-CN&lr=");
//對查詢語句進行變數替換,將查詢結果儲存在陣列變數 result中
result_string=join(" ", result); //將數組$result合并成字串,各數組元素之間用空格粘和
... //進一步處理
}
?>

  上面的這段程式已經能按使用者輸入內容進行查詢,並將返回的結果合成一個字串變數$result_string。請注意要使用urlencode()函數將使用者輸入內容進行URL編碼,才可以正常地對輸入的漢字、空格以及其他特殊字元進行查詢,這樣做也是儘可能逼真地類比Google的查詢命令,保證搜尋結果的正確性。

對Google的分析

  為了便於理解,現在假設我們所真正需要的東西是:搜尋結果的標題。網址和簡介等,這是一個簡潔而典型的需求。這樣,我們所要做的便是:去除Google搜尋結果的台頭和腳註,包括一個Google的標誌、再次搜尋的輸入框和搜尋結果說明等,並且在剩餘的搜尋結果各項條目中剝離原來的HTML格式標記,替換成我們想要的格式。

  要做到這一點,我們必須仔細地分析Google搜尋結果的HTML源碼,找到其中的規律。不難發現,在Google的搜尋結果的本文總是包含在源碼的第一個<p>標記和倒數第二個<p>標記之間,並且倒數第二個<p>標記後緊跟table字元,而且這個組合“<p><table”在源碼中也僅有一次,利用這個特點,我們可以這樣去除Google的台頭和腳註。

  以下所有程式均依次接續在上文程式的“進一步處理”處。

  result_string = strstr( result_string, "<p>"); //取 result_string從第一個<p>開始後的字串,以去除Google台頭
position= strpos( result_string,"<p>table符號的位置
result_string= substr( result_string,0, position);//截取第一個<p>table符號之前的字串,以去除腳註

應用與實現

  OK,現在我們已經得到有用的HTML源碼主幹了,剩下的問題是如何自主地顯示這些內容。我們再分析一下這些搜尋結果條目,發現每個條目之間也是很有規律的用
分隔,也就是各成一個段落,按這個特點我們用explode()函數把每個條目切開:

  文法:explode(string separator, string string);

  返回一個數組,按separator切開後的各個小字串被儲存在數組中。

  於是:
result_array=explode("<p>", result_string); //用字串"<p>"把結果切開

  我們就得到一個數組 result_array,其中每個元素都是一個搜尋結果條目。我們所要做的僅僅是研究每個條目及其HTML顯示格式代碼,然後按要求替換就行了。下面用迴圈來處理 result_array中的每個條目。
for( i=0; i {
... //處理每個條目
}

  對於每個條目,我們也很容易找到一些特點:每個條目都由標題、摘要、簡介、類別、網址等組成,每個部分都換行,即包含<br>標記,於是再次分割:(以下處理常式放在上文的迴圈中)
every_item=explode("<br>", result_array[ i]);

  這樣我們得到一個數組 every_item,其中 every_item[0]就是標題, every_item[1]和 every_item[2]兩行為摘要, every_item[3]和 every_item[4]等等的頭部如果包含“<font size=-1 color=#6f6f6f >簡介:</font>”、“< font size=-1 color=#6f6f6f>類別:< /font>”字元,則是簡介或類別(因為有的結果條目沒有該項),如果頭部包含“< font color=green>”則肯定就是網址啦,這種對比判斷我們常使用Regex(略),如果要替換也很方便,比如包含標題的$every_item[0],其本身是有連結的,我們希望修改這個連結屬性,讓它在新視窗開啟連結:
echo eregi_replace(' {
... //處理每個條目中除去第一項(第一項為標題,已經顯示)的每一項
... //更多格式修改
}

  這樣就修改了連結屬性,其餘很多顯示格式的修改、剝離、替換都能用正則替換eregi_replace()來完成。

  至此我們已經得到了每個搜尋條目的每一項,並能任意修改每項的格式,甚至可以給他套上漂亮的表格。然而一個好的程式應該能適應各種運行環境的,這裡也不例外,我們其實還只是討論了搜尋結果的HTML剝離的一種架構方法,真正要做得完美,還要考慮很多內容,比如要顯示一共搜尋出多少結果,分成多少頁等等,甚至還可以刨除與Google相關的那些“類別”、“簡介”等代碼,讓客戶根本看不到原始網站。不過這些內容和要求我們都能通過分析HTML進行剝離得到。現在大家完全能自己動手,做個極富個人化的搜尋引擎啦。


相關文章

Cloud Intelligence Leading the Digital Future

Alibaba Cloud ACtivate Online Conference, Nov. 20th & 21st, 2019 (UTC+08)

Register Now >

Starter Package

SSD Cloud server and data transfer for only $2.50 a month

Get Started >

Alibaba Cloud Free Trial

Learn and experience the power of Alibaba Cloud with a free trial worth $300-1200 USD

Learn more >

聯繫我們

該頁面正文內容均來源於網絡整理,並不代表阿里雲官方的觀點,該頁面所提到的產品和服務也與阿里云無關,如果該頁面內容對您造成了困擾,歡迎寫郵件給我們,收到郵件我們將在5個工作日內處理。

如果您發現本社區中有涉嫌抄襲的內容,歡迎發送郵件至: info-contact@alibabacloud.com 進行舉報並提供相關證據,工作人員會在 5 個工作天內聯絡您,一經查實,本站將立刻刪除涉嫌侵權內容。