PHP編製搜尋引擎的一些思路

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：

echo
; //沒有參數的form，預設提交方式為get，提交到本身
echo ; //構造一個文本輸入框
echo ; //構造一個提交查詢按鈕
echo
;
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
}
?>

說明：上面的可以用file_get_contents() 函數來實現，$result_string=file_get_contents(“http://....“)

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

標記和倒數第二個

標記之間，並且倒數第二個

標記後緊跟table字元，而且這個組合“

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,

); //取 result_string從第一個

開始後的字串，以去除Google台頭

position= strpos( result_string,

table符號的位置

result_string= substr( result_string,0, position);//截取第一個

table符號之前的字串,以去除腳註