互聯(lián)網(wǎng)最初設(shè)計(jì)是為了能提供一個(gè)通訊網(wǎng)絡(luò)，即使一些地點(diǎn)被核武器摧毀也能正常工作。如果大部分的直接通道不通，路由器就會(huì)指引通信信息經(jīng)由中間路由器在網(wǎng)絡(luò)中傳播。 最大的搜索引擎Google從2002年的10億網(wǎng)頁增加到現(xiàn)在近40億網(wǎng)頁；最近雅虎搜索引擎號(hào)稱收錄了45億個(gè)網(wǎng)頁；國(guó)內(nèi)的中文搜索引擎百度的中文頁面從兩年前的7 000萬頁增加到了現(xiàn)在的2億多。據(jù)估計(jì)，當(dāng)前整個(gè)互聯(lián)網(wǎng)的網(wǎng)頁數(shù)達(dá)到100多億，而且還在快速增長(zhǎng)。用戶要在如此浩瀚的信息海洋里尋找信息，猶如“大海撈針”，往往無功而返。如何從資源的海洋里找到自己需要的內(nèi)容就成了關(guān)鍵問題，搜索引擎的出現(xiàn)和研究，使網(wǎng)絡(luò)上的資源變得有序，使用戶能更加方便快捷地找到所需資源。目前被大家廣泛使用的搜索引擎如Google、百度等，其實(shí)現(xiàn)技術(shù)非常復(fù)雜，后臺(tái)數(shù)據(jù)庫也非常龐大，更新速度也很快。

1 Lucene基本技術(shù)原理

Lucene是apache軟件基金會(huì)4 jakarta項(xiàng)目組的一個(gè)子項(xiàng)目，是一個(gè)開放源代碼的全文檢索引擎工具包，即它不是一個(gè)完整的全文檢索引擎，而是一個(gè)全文檢索引擎的架構(gòu)，提供了完整的查詢引擎和索引引擎，部分文本分析引擎（英文與德文兩種西方語言）。Lucene的目的是為軟件開發(fā)人員提供一個(gè)簡(jiǎn)單易用的工具包，以方便的在目標(biāo)系統(tǒng)中實(shí)現(xiàn)全文檢索的功能，或者是以此為基礎(chǔ)建立起完整的全文檢索引擎。

作為一個(gè)開放源代碼項(xiàng)目，Lucene從問世之后，引發(fā)了開放源代碼社群的巨大反響，程序員們不僅使用它構(gòu)建具體的全文檢索應(yīng)用，而且將之集成到各種系統(tǒng)軟件中去，以及構(gòu)建Web應(yīng)用，甚至某些商業(yè)軟件也采用了Lucene作為其內(nèi)部全文檢索子系統(tǒng)的核心。apache軟件基金會(huì)的網(wǎng)站使用了Lucene作為全文檢索的引擎，IBM的開源軟件eclipse[9]的2.1版本中也采用了Lucene作為幫助子系統(tǒng)的全文索引引擎，相應(yīng)的IBM的商業(yè)軟件Web Sphere[10]中也采用了Lucene。Lucene以其開放源代碼的特性、優(yōu)異的索引結(jié)構(gòu)、良好的系統(tǒng)架構(gòu)獲得了越來越多的應(yīng)用。

目前網(wǎng)絡(luò)上有許多全文搜索引擎的開源代碼，若想構(gòu)建自己的全文搜索引擎，可以在這些開源代碼的基礎(chǔ)上進(jìn)行。Lucene不是一個(gè)完整的全文索引應(yīng)用，可以直接作為查詢工具使用，而只是為全文搜索引擎的構(gòu)建提供了基本的工具和設(shè)計(jì)方法。Lucene提供了一系列API，能夠?qū)ξ臋n進(jìn)行預(yù)處理、過濾、分析、索引和檢索排序。本文就是在Lucene基礎(chǔ)上構(gòu)建了一個(gè)全文搜索引擎MYSearch。

2 MYSearch工作流程

2.1 搜索引擎的基本構(gòu)成

搜索引擎系統(tǒng)一般由蜘蛛（也叫網(wǎng)頁爬行器）、切詞器、索引器、查詢器幾部分組成。蜘蛛負(fù)責(zé)網(wǎng)頁信息的抓取工作；一般情況下切詞器和索引器一起使用，它們負(fù)責(zé)將抓取的網(wǎng)頁內(nèi)容進(jìn)行切詞處理并自動(dòng)進(jìn)行標(biāo)引，建立索引數(shù)據(jù)庫；查詢器根據(jù)用戶查詢條件檢索索引數(shù)據(jù)庫并對(duì)檢索結(jié)果進(jìn)行排序和集合運(yùn)算，再提取網(wǎng)頁簡(jiǎn)單摘要信息反饋給查詢用戶。

2.2 MYSearch工作流程

MYSearch首先使用網(wǎng)絡(luò)蜘蛛抓取網(wǎng)絡(luò)上的可用網(wǎng)頁鏈接，然后把抓取到的網(wǎng)頁資源下載到本地計(jì)算機(jī)，對(duì)下載到本地計(jì)算機(jī)的網(wǎng)頁進(jìn)行初步的處理，去掉對(duì)搜索沒有意義的信息和詞匯。然后使用Lucene提供的索引功能，對(duì)處理后的信息資源建立索引，并且保存到索引數(shù)據(jù)庫中。之后，根據(jù)用戶提供的搜索信息，在索引中進(jìn)行查詢，并將搜索結(jié)果顯示到用戶搜索的界面上。其流程框圖如圖1所示。

3 MYSearch實(shí)現(xiàn)

3.1 系統(tǒng)功能模塊的劃分

MYSearch全文搜索系統(tǒng)主要分為網(wǎng)絡(luò)蜘蛛抓取、資源初步處理、建立索引、搜索以及顯示等功能模塊。

（1）網(wǎng)絡(luò)蜘蛛抓取功能模塊：首先根據(jù)事先設(shè)定好的網(wǎng)絡(luò)入口地址和設(shè)置的搜索條件，讀取網(wǎng)頁的內(nèi)容，分析網(wǎng)頁中其他的鏈接地址，然后垂直鏈接到下一個(gè)網(wǎng)頁，這樣一直循環(huán)，直到網(wǎng)站的所有網(wǎng)頁都抓取完成或者滿足了搜索的條件為止。

（2）資源初步處理功能模塊：將搜索來的網(wǎng)頁中的信息進(jìn)行相關(guān)處理，去掉沒有用的格式內(nèi)容和其他對(duì)搜索結(jié)果沒有實(shí)際意義的信息。

（3）建立索引功能模塊：將處理后的網(wǎng)頁資源寫入數(shù)據(jù)庫，并使用倒排索引算法實(shí)現(xiàn)網(wǎng)頁資源索引的建立。

（4）搜索功能模塊：根據(jù)用戶的搜索關(guān)鍵詞，在已建好索引的數(shù)據(jù)庫中，根據(jù)語素向量的匹配度和相似度進(jìn)行相關(guān)的匹配，然后按照一定的排列順序把搜索結(jié)果返回給用戶。

（5）顯示功能模塊：將搜索結(jié)果按照一定的顯示方式顯示在頁面中，供用戶選擇和瀏覽。

3.2 MYSearch全文搜索引擎的實(shí)現(xiàn)

3.2.1 網(wǎng)絡(luò)蜘蛛

網(wǎng)絡(luò)蜘蛛是指某個(gè)能以人類無法達(dá)到的速度不斷重復(fù)執(zhí)行某項(xiàng)任務(wù)的自動(dòng)程序[1]。本系統(tǒng)中使用的蜘蛛程序是Nutch，核心是Crawl工具。它可以根據(jù)之前設(shè)定好的入口URL列表不斷地自動(dòng)下載頁面，直到滿足系統(tǒng)預(yù)設(shè)的停止條件。圖2所示是Nutch的工作機(jī)制。

3.2.2 網(wǎng)頁初步處理

網(wǎng)頁剛剛被抓取下來的時(shí)候，存在很多格式化的信息（如html的網(wǎng)頁標(biāo)記），還有很多多余的信息（比如“is，the，an”）。這些信息都是噪音，如果想要使搜索引擎更高效、更準(zhǔn)確地運(yùn)行，就要去除這些信息，留下有效的信息。

對(duì)于html標(biāo)記的處理，首先就是準(zhǔn)備一個(gè)空字符串，然后判斷網(wǎng)頁的文字中是否存在html的“<>”符號(hào)，如果是html“<>”的符號(hào)，就繼續(xù)判斷網(wǎng)頁中的下一個(gè)字符，如果不是就把該字符保存到這個(gè)空字符串中；如果判斷完成，就結(jié)束；否則就繼續(xù)判斷。對(duì)于多余信息，在Lucene中提供了相關(guān)的包進(jìn)行處理。

通過上面的處理之后，下載的文件在建立索引的時(shí)候，就會(huì)更加便捷。

3.2.3 索引的建立

在日常的生活中，往往需要快速地從海量頁面信息中定位頁面資源。這樣的需求就需要用索引技術(shù)來實(shí)現(xiàn)。索引建立的好壞直接影響搜索效果和用戶的體驗(yàn)感覺，所以索引的建立方法十分重要。Lucene采用倒排索引算法建立索引[2]，主要包括索引類（IndexWriter）、文檔對(duì)象類（Document）和信息字段對(duì)象類（Field）。索引建立的過程為：

（1）建立索引器IndexWriter；

（2）建立文檔對(duì)象Document；

（3）建立信息字段對(duì)象Field；

（4）將Field添加到Document；

（5）將Document添加到IndexWriter里面；

（6）關(guān)閉索引器IndexWriter。

Lucene將建好的索引信息存儲(chǔ)在“_0.cfs”、“segments.gen”以及“segments_s”文件中。

3.2.4 信息搜索

用戶提交的查詢請(qǐng)求通常是一個(gè)詞語或者短語，MYSearch搜索引擎在接受用戶訪問后會(huì)進(jìn)行一系列處理并最終向用戶提交。當(dāng)用戶輸入關(guān)鍵詞搜索后，由搜索程序從索引數(shù)據(jù)庫中找到符合該關(guān)鍵詞的所有相關(guān)文檔。因?yàn)樗形臋n針對(duì)該關(guān)鍵詞的相關(guān)度早已算好，所以只需按照現(xiàn)成的相關(guān)度數(shù)值排序。排序規(guī)則是相關(guān)度越高，排名就越靠前。然后，就會(huì)把查詢到的信息返回給用戶，并進(jìn)行顯示?；静樵兞鞒倘鐖D3所示。

3.2.5 搜索結(jié)果顯示

良好的交互設(shè)計(jì)可以使用戶的操作更加簡(jiǎn)便，可以使用戶能夠更快更準(zhǔn)確地找到自己想要的信息，同時(shí)能夠增加用戶的滿意度。MYSearch全文搜索引擎設(shè)計(jì)了一個(gè)簡(jiǎn)捷的搜索界面，用戶在該界面中輸入搜索條件，提交后就可以看到查詢結(jié)果。

4 改進(jìn)

搜索引擎（search engine）是指根據(jù)一定的策略、運(yùn)用特定的計(jì)算機(jī)程序從互聯(lián)網(wǎng)上搜集信息，在對(duì)信息進(jìn)行組織和處理后，為用戶提供檢索服務(wù)，將用戶檢索相關(guān)的信息展示給用戶的系統(tǒng)。分詞就是為生成索引提供原材料，如果分詞分得不明確，則生成的索引必然復(fù)雜，那些沒有實(shí)際意義的分詞被稱為噪音，噪音多了搜索速度必然下降。Lucene其實(shí)自身是帶有中文分詞功能的，主要采用“單字切分”和“二分法”，但是由于它沒有做到確定最小索引項(xiàng)，因此無法去除噪音，搜索效率大大降低。IK_Canalyzer中文分析器是第三方實(shí)現(xiàn)的分析器，繼承自Lucene的Analyzer類。圖4（a）和圖4（b）分別為采用Lucene與IK_Canalyer分詞的顯示結(jié)果，可明顯看出后者優(yōu)于前者。

全文索引引擎是名副其實(shí)的搜索引擎，國(guó)外代表有Google，國(guó)內(nèi)知名的百度搜索。它們從互聯(lián)網(wǎng)提取各個(gè)網(wǎng)站的信息（以網(wǎng)頁文字為主），建立起數(shù)據(jù)庫，并能檢索與用戶查詢條件相匹配的記錄，按一定的排列順序返回結(jié)果。

MYSearch是基于Lucene設(shè)計(jì)實(shí)現(xiàn)的一個(gè)全文搜索引擎，本文給出了設(shè)計(jì)過程以及實(shí)驗(yàn)結(jié)果，并針對(duì)Lucene在中文分詞方面的不足給出了解決辦法。此外目前可以獲得的Lucene開源代碼中并沒有對(duì)PDF、Word、Excel等常用的文本格式進(jìn)行搜索。要想克服上述問題，就要對(duì)不同格式的文本進(jìn)行解析，把解析出來的文字提取出純文本，然后就像建立網(wǎng)頁的索引一樣，對(duì)提出來的文字建立索引，以便查詢。這將是進(jìn)一步需要改進(jìn)MYSearch全文搜索引擎的工作重點(diǎn)。

根據(jù)搜索結(jié)果的不同，全文搜索引擎可分為兩類：一類擁有自己的網(wǎng)頁抓取、索引、檢索系統(tǒng)（Indexer），有獨(dú)立的“蜘蛛”（Spider）程序、或爬蟲（Crawler）、或“機(jī)器人”（Robot）程序（這三種稱法意義相同），能自建網(wǎng)頁數(shù)據(jù)庫，搜索結(jié)果直接從自身的數(shù)據(jù)庫中調(diào)用，上面提到的Google和百度就屬于此類；另一類則是租用其他搜索引擎的數(shù)據(jù)庫，并按自定的格式排列搜索結(jié)果，如Lycos搜索引擎。