- 网站的url
- 标题
- 一段随机的简介
这样我们就可以通过搜索关键字找到需要的页面的网址了
由于我只需要title和其余的content,因此我们首先要做的是去标签工作,提取其中的标题和内容
如何拿到标题是什么?
思路:找到< title >和< /title >标签,里面的那段字符串就是标题
实现的基本思路就是使用find函数和substr函数,比较简单。
关于DocContent是什么后面再补充
使用状态变化来编写代码的写法会比较简单
- 一开始时处于LABEL状态,如果是标签状态,继续读下一个字符,直到读到字符’>",要转换成CONTENT状态
- 如果处于CONTENT状态,那么把每一个字符都保存下来,如果读到一个换行符’ ’,那么把它换成空格来存下来。原因是为了方便后面使用一个getline就可以把整一个文档给读进来
可以看到boost官网的文档都是在框框中的网址里的,所以根据这个网址,再加上每个文件的文件名,就可以构建出一个url了
逻辑就是遍历存放数据的文件夹,把所有后缀是.html的文件都做一遍数据清理即可。
遍历文件这个操作需要用到boost库里的一个函数(或者用c++17的语法),具体用法参考
std::filesystem::recursive_directory_iterator
上述两个函数就是用于遍历和数据清理的。这里讲一下一个c++11的语法:移动,下面的函数的std::move就是用了移动语法的一个函数
本来d是一个临时变量,如果要push_back到一个vector,就要发生一次拷贝。这样开销就会比较大,因为d里面的字符串长度还是挺长的。
如果使用move函数,就可以让这个这个临时变量的内存空间的所有权转让给vector使用,这样就不需要拷贝了。
读写文件用的是< fstream >中的ifstream和ofstream,具体参考链接
ifstream
ofstream
这里我们采用了一个策略,每一个文档之间用 来分割,文档内部的元素之间用3来分割。
使用 分割的原因:getline可以一次性把换行符之前的东西读入,这样我们每一次getline都可以读完一整个完整的文档
使用3来分隔文档内部的原因:3在ASCII码里是一个控制字符,普通html里不可能出现这个字符,所以加入3不会影响文档内容原来的正确性
正排索引就是给每个文档编号,这样我们就可以通过ID来找到对应的文档内容。单独的正排索引没什么用,它的作用是用来构建倒排索引。
索引其实就是一个vector,每一个元素是一个ForwardElem
我们之前已经把所有文档的去标签后的结果保存到一个文件里了,现在我们每一次getline都可以读出一整个文档的内容。并且在文档内加入了3的分隔符。因此我们可以通过3来把更具体的信息再挖掘出来。即标题,内容,url。
因此思路就是:
- 用3分割字符串,构造一个文档内容
- 把这个文档内容放入正排索引的vector中
- 给这个文档内容编号
编号的逻辑很简单,vector里面有多少个元素,该文档的id就是多少
关于CutString这个函数怎么实现,可以使用boost库里面的split函数。
下面这个写法是网上copy的,照着写即可
倒排索引是通过关键词,我们可以返回具体的文档ID。因此我们要建立关键词和文档ID的关系。在一开始的关键问题已经说了,关系紧密的定义我们用关键字在文档中出现的次数和位置来衡量。 因此我们现在要开始分词了。只有先分词,我们才能知道关键字在文档中是否出现,出现几次等问题。
cppjieba安装和使用
这个库的使用有点小坑,得看这篇文章,不然无法正常编译过去
安装好之后作者会提供给你一个demo,把demo的代码复制过来就可以用了。
如下:
逻辑如下:
- 对文档中的标题,正文进行分词
- 统计标题的词频和正文的词频(哈希)
- weight = title_cnt * 10 + content_cnt
有一个点:对于每个词来讲,我们不需要区分大小写,boost库里面有一个函数可以把字符串都变成小写
逻辑:遍历每一个文档即可,之前已经用换行符对每一个文档进行了分割。因此现在每次getline都是一个文档。
到了这一步时数据准备部分已经完成了,现在要做的是返回数据的逻辑
逻辑如下:
- 先拿到用户提供的关键字,然后用jieba进行分词,拿到具体的关键字
- 用关键字去查倒排索引,得到要返回的文档的ID,并保存下它们的InvertedElem(里面存着weight,后面要根据weight来排序)
- 根据weight来排序InvertedElem
- 把前x个InvertedElem保存在Json串里
- 返回Json串
关于jsoncpp的使用,参考这个链接
jsoncpp下载和简单使用
我这里直接用了apt install的方式下载jsoncpp,比较简答
因此我们只需要编写这个逻辑即可
- 准备好数据部分,启动searcher
- 拿参
- 把参数放入search函数中,得到返回的json
- 把json返回给用户