C++实现网站内搜索功能

2024-01-08 10:28
文章标签 c++ 实现 功能 站内搜索

本文主要是介绍C++实现网站内搜索功能，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

文章目录

  • 搜索结果的结构
  • 下载我们需要的数据
  • 分析html结构
  • 数据处理
    • 去标签之标题
    • 去标签之正文内容
    • 构造url
    • 把上述的数据清理操作对每一个文件都做一遍
    • 把处理好的数据都保存到一个.bin文件
  • 构建正排索引
  • 构建倒排索引
    • 使用cpp-jieba分词
    • 计算每个文档中的每个词的权重
    • 对所有文档都进行上述的建立正排与倒排索引操作
  • Search模块
  • http server模块
    • cpp-httplib
    • 拿参，并且调用我们的search返回我们的json串
  • 最终结果

总体逻辑如下
在这里插入图片描述
几个关键问题统一写在这：

  1. 这个是站内搜索，所以不涉及爬虫。都是处理本地下载好的html数据
  2. 搜索逻辑设计的极其简单。先从浏览器拿到关键字，然后服务器上得到需要返回的文档ID，再把对应ID的文档内容以JSON的形式返回给浏览器
  3. 在判断哪些文档是最匹配用户输入的关键字的需求上，也是用的简单的逻辑。通过统计文档中出现的关键字次数，并根据关键字出现在不同地方，乘一个不同的系数来当成一个权值。权值越大，认为这个文档和关键字越匹配。
  4. 正排索引和倒排索引的概念就是根据第二点提出的。
    在这里插入图片描述
    正排索引
    在这里插入图片描述
    倒排索引
    在这里插入图片描述






搜索结果的结构

在这里插入图片描述

  1. 网站的url
  2. 标题
  3. 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

下载我们需要的数据

下面是boost官网提供的boost文档，里面都是大量的html
在这里插入图片描述



下载解压后是这样子的
在这里插入图片描述
因此我们要返回的结果都是通过解析这部分html来返回的。

分析html结构

在这里插入图片描述

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


数据处理

去标签之标题

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

void ParseTitle(const std::string &s, DocContent &d)
{int begin = 0, end = 0;begin = s.find("<title>");begin += std::string("<title>").size();end = s.find("</title");if (end < begin)return;d._title = s.substr(begin, end - begin);
}


去标签之正文内容

使用状态变化来编写代码的写法会比较简单

  1. 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
  2. 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’\n’，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
void ParseContent(const std::string &s, DocContent &d)
{enum status{LABLE,CONTENT};status st = LABLE;for (char c : s){switch (st){case LABLE:if (c == '>'){st = CONTENT;}break;case CONTENT:if (c == '<'){st = LABLE;}else{if (c == '\n')c = ' ';d._content += c;}break;default:break;}}
}

构造url

由于做的是站内搜索，所以url的构建是基于主网站的。


在这里插入图片描述

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



本质就是基网址+文件名
在这里插入图片描述

把上述的数据清理操作对每一个文件都做一遍

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

void GetFileName(const std::string &src_path, std::vector<std::string> &fileName)
{namespace fs = boost::filesystem;fs::path root_path(src_path);fs::recursive_directory_iterator end; // 递归遍历for (fs::recursive_directory_iterator iter(root_path); iter != end; iter++){if (iter->path().extension() != ".html"){continue;}fileName.push_back(iter->path().string());}
}void ReadContent(const std::vector<std::string> &fileName, std::vector<DocContent> &fileContent)
{for (const std::string s : fileName){std::string result;FileUtils::ReadFile(s, result);DocContent d;ParseTitle(result, d);ParseContent(result, d);ParseUrl(s, d);fileContent.push_back(std::move(d));}
};




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

void ReadContent(const std::vector<std::string> &fileName, std::vector<DocContent> &fileContent)
{for (const std::string s : fileName){...DocContent d;...fileContent.push_back(std::move(d));}
};

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。

把处理好的数据都保存到一个.bin文件

读写文件用的是< fstream >中的ifstream和ofstream，具体参考链接
ifstream
ofstream


void SaveContent(const std::vector<DocContent> &fileContent)
{const std::string dst = "/home/mhq/boost_searcher/data/processed_data/process.txt";std::ofstream out(dst, std::ios::out | std::ios::binary);std::string s;for (auto &e : fileContent){s += e._title;s += '\3';s += e._content;s += '\3';s += e._url;s += '\n';}out << s;
};

这里我们采用了一个策略，每一个文档之间用\n来分割，文档内部的元素之间用\3来分割。

使用\n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

构建正排索引

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

class ForwardElem
{
public:DocContent _doc;//文档内容int _doc_id;ForwardElem() = default;
};

std::vector<ForwardElem> _forward_index; // 正排索引




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：

  1. 用\3分割字符串，构造一个文档内容
  2. 把这个文档内容放入正排索引的vector中
  3. 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

ForwardElem *BuildForwardIndex(const std::string &file){std::vector<std::string> subline;CutString(file, subline, '\3');ForwardElem t;t._doc = DocContent(subline[0], subline[1], subline[2]);if (subline.size() != 3){std::cout << "建立ForwardIndex失败,具体原因是分词失败" << std::endl;return nullptr;}t._doc_id = _forward_index.size();_forward_index.push_back(std::move(t));return &_forward_index.back();}

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

void CutString(std::string line, std::vector<std::string> &subline, char a)
{boost::split(subline, line, boost::is_any_of("\3"), boost::token_compress_on);
}

构建倒排索引

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。

使用cpp-jieba分词

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：

class Jieba
{
public:static cppjieba::Jieba jieba;static void CutString(const std::string &src, std::vector<std::string> &words);
};cppjieba::Jieba Jieba::jieba(DICT_PATH,HMM_PATH,USER_DICT_PATH,IDF_PATH,STOP_WORD_PATH);void Jieba::CutString(const std::string &s, std::vector<std::string> &words)
{jieba.CutForSearch(s, words);
}

计算每个文档中的每个词的权重

逻辑如下：

  1. 对文档中的标题，正文进行分词
  2. 统计标题的词频和正文的词频（哈希）
  3. 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

void BuildInvertedIndex(const ForwardElem &ForwardElem){std::vector<std::string> titleWords, contentWords;Jieba::CutString(ForwardElem._doc._title, titleWords);Jieba::CutString(ForwardElem._doc._content, contentWords);std::unordered_map<std::string, Cnt> wordCnt;for (auto &e : titleWords){boost::to_lower(e);wordCnt[e]._title_cnt++;}for (auto &e : contentWords){boost::to_lower(e);wordCnt[e]._content_cnt++;}for (auto &e : wordCnt){InvertedElem invertedElem;invertedElem._doc_id = ForwardElem._doc_id;invertedElem._word = e.first;invertedElem._weight = e.second._title_cnt * 10 + e.second._content_cnt;_inverted_index[e.first].push_back(std::move(invertedElem));}}



对所有文档都进行上述的建立正排与倒排索引操作

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。

void BuildIndex(const std::string &file)
{std::ifstream in(file, std::ios::in | std::ios::binary);std::string line;while (getline(in, line)){// 每一个换行符前都是整个文件ForwardElem *forwardElem = BuildForwardIndex(line);BuildInvertedIndex(*forwardElem);}std::cout << "索引已经建立完毕" << std::endl;
}

Search模块

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：

  1. 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
  2. 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）
  3. 根据weight来排序InvertedElem
  4. 把前x个InvertedElem保存在Json串里
  5. 返回Json串
void Search(const std::string &key, std::string *json_reply)
{std::vector<std::string> words;Jieba::CutString(key, words);std::vector<InvertedElem> all;for (auto &e : words){std::vector<InvertedElem> *t = index->GetInvertedElem(e);if (!t){continue;}for (auto &e : *t){all.push_back(e);}}std::sort(all.begin(), all.end(), [](const InvertedElem &e1, const InvertedElem &e2){ return e1._weight > e2._weight; });all = std::vector<InvertedElem>(all.begin(), all.begin() + 10);Json::Value root;for (auto &e : all){ForwardElem *forwardElem = index->GetForwardElem(e._doc_id);if (forwardElem == nullptr)continue;Json::Value elem;DocContent docContent = forwardElem->_doc;elem["title"] = docContent._title;elem["content"] = GetDesc(docContent._content, e._word);elem["url"] = docContent._url;elem["weight"] = e._weight;elem["id"] = e._doc_id;root.append(elem);Json::StyledWriter writer;*json_reply = writer.write(root);}
}

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

http server模块

cpp-httplib

cpp-httplib的github
我使用的版本比较老，是0.7.15版本。文档内有说明如何调用接口
在这里插入图片描述

拿参，并且调用我们的search返回我们的json串

关于如何使用cpp-httplib看是否有参数并且拿到参数，可以参考文档中的这个demo
在这里插入图片描述

因此我们只需要编写这个逻辑即可

  1. 准备好数据部分，启动searcher
  2. 拿参
  3. 把参数放入search函数中，得到返回的json
  4. 把json返回给用户
Searcher search;
search.InitSearcher(datas);
httplib::Server svr;svr.Get("/s", [&](const httplib::Request &request, httplib::Response &response){if (!request.has_param("word")){response.set_content("请输入搜索内容", "text/plain: charset=utf-8");return;}string word = request.get_param_value("word");string json_str;search.Search(word, &json_str);response.set_content(json_str, "application/json"); });svr.listen("0.0.0.0", 8081);

最终结果

可以成功返回结果，后序可以编写前端，完善界面
在这里插入图片描述

这篇关于C++实现网站内搜索功能的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！


http://www.chinasem.cn/article/583162。

相关文章

使用Python实现IP地址和端口状态检测与监控

使用Python实现IP地址和端口状态检测与监控

《使用Python实现IP地址和端口状态检测与监控》在网络运维和服务器管理中,IP地址和端口的可用性监控是保障业务连续性的基础需求,本文将带你用Python从零打造一个高可用IP监控系统,感兴趣的小伙... 目录概述：为什么需要IP监控系统使用步骤说明1. 环境准备2. 系统部署3. 核心功能配置系统效果展
阅读更多...
Python实现微信自动锁定工具

Python实现微信自动锁定工具

《Python实现微信自动锁定工具》在数字化办公时代,微信已成为职场沟通的重要工具,但临时离开时忘记锁屏可能导致敏感信息泄露,下面我们就来看看如何使用Python打造一个微信自动锁定工具吧... 目录引言：当微信隐私遇到自动化守护效果展示核心功能全景图技术亮点深度解析1. 无操作检测引擎2. 微信路径智能获
阅读更多...
C#如何调用C++库

C#如何调用C++库

《C#如何调用C++库》：本文主要介绍C#如何调用C++库方式,具有很好的参考价值,希望对大家有所帮助,如有错误或未考虑完全的地方,望不吝赐教... 目录方法一：使用P/Invoke1. 导出C++函数2. 定义P/Invoke签名3. 调用C++函数方法二：使用C++/CLI作为桥接1. 创建C++/CL
阅读更多...
Python中pywin32 常用窗口操作的实现

Python中pywin32 常用窗口操作的实现

《Python中pywin32常用窗口操作的实现》本文主要介绍了Python中pywin32常用窗口操作的实现,pywin32主要的作用是供Python开发者快速调用WindowsAPI的一个... 目录获取窗口句柄获取最前端窗口句柄获取指定坐标处的窗口根据窗口的完整标题匹配获取句柄根据窗口的类别匹配获取句
阅读更多...
在 Spring Boot 中实现异常处理最佳实践

在 Spring Boot 中实现异常处理最佳实践

《在SpringBoot中实现异常处理最佳实践》本文介绍如何在SpringBoot中实现异常处理,涵盖核心概念、实现方法、与先前查询的集成、性能分析、常见问题和最佳实践,感兴趣的朋友一起看看吧... 目录一、Spring Boot 异常处理的背景与核心概念1.1 为什么需要异常处理？1.2 Spring B
阅读更多...
Python位移操作和位运算的实现示例

Python位移操作和位运算的实现示例

《Python位移操作和位运算的实现示例》本文主要介绍了Python位移操作和位运算的实现示例,文中通过示例代码介绍的非常详细,对大家的学习或者工作具有一定的参考学习价值,需要的朋友们下面随着小编来一... 目录1. 位移操作1.1 左移操作 (<<)1.2 右移操作 (>>)注意事项：2. 位运算2.1
阅读更多...
如何在 Spring Boot 中实现 FreeMarker 模板

如何在 Spring Boot 中实现 FreeMarker 模板

《如何在SpringBoot中实现FreeMarker模板》FreeMarker是一种功能强大、轻量级的模板引擎,用于在Java应用中生成动态文本输出（如HTML、XML、邮件内容等）,本文... 目录什么是 FreeMarker 模板？在 Spring Boot 中实现 FreeMarker 模板1. 环
阅读更多...
Qt实现网络数据解析的方法总结

Qt实现网络数据解析的方法总结

《Qt实现网络数据解析的方法总结》在Qt中解析网络数据通常涉及接收原始字节流,并将其转换为有意义的应用层数据,这篇文章为大家介绍了详细步骤和示例,感兴趣的小伙伴可以了解下... 目录1. 网络数据接收2. 缓冲区管理（处理粘包/拆包）3. 常见数据格式解析3.1 jsON解析3.2 XML解析3.3 自定义
阅读更多...
SpringMVC 通过ajax 前后端数据交互的实现方法

SpringMVC 通过ajax 前后端数据交互的实现方法

《SpringMVC通过ajax前后端数据交互的实现方法》：本文主要介绍SpringMVC通过ajax前后端数据交互的实现方法,本文给大家介绍的非常详细,对大家的学习或工作具有一定的参考借鉴价... 在前端的开发过程中，经常在html页面通过AJAX进行前后端数据的交互，SpringMVC的controll
阅读更多...
Spring Security自定义身份认证的实现方法

Spring Security自定义身份认证的实现方法

《SpringSecurity自定义身份认证的实现方法》：本文主要介绍SpringSecurity自定义身份认证的实现方法,下面对SpringSecurity的这三种自定义身份认证进行详细讲解,... 目录1.内存身份认证（1）创建配置类（2）验证内存身份认证2.JDBC身份认证（1）数据准备 （2）配置依
阅读更多...

Copyright China编程 23002807@qq.com

沪ICP备2023033072号-2