搜索引擎核心技术(PHP编程思路)

谈到网页搜索引擎时,大多数人都会想到雅虎。的确,雅虎开创了一个互联网络的搜索时代。然而,雅虎目前用于搜索网页的技术却并非该公司原先自己开发的。2000年8月,雅虎采用了Google这家由斯坦福大学学生创建的风险公司的技术。理由非常简单,Google的搜索引擎比雅虎先前使用的技术能更快、更准确搜索到所需要的信息。
让我们自己来设计、开发一个强劲、高效的搜索引擎和数据库恐怕短时间内在技术、资金等方面是不可能的,不过,既然雅虎都在使用别人的技术,那么我们是不是也可以使用别人现成的搜索引擎网站呢?
剖析编程思路
我们可以这样设想:模拟一个查询,向某个搜索引擎网站发出相应格式的搜索命令,然后传回搜索结果,对结果的HTML代码进行分析,剥离多余的字符和代码,最后按所需要的格式显示在我们自己的网站页面里。
这样,问题的关键就在于,我们要选定一个搜索信息准确、速度快,搜索结果简洁的搜索网站,由于新一代搜索引擎Google的各种优良特性,这里我们选择它为例,来看看用PHP怎样实现后台对Google()搜索、前台个性化显示这一过程。
我们先来看看Google的查询命令的构成。进入网站,在查询栏中输入“abcd”,点击查询按钮,我们可以发现浏览器的地址栏变成:%CB%D1%CB%F7&hl=zh-CN&lr=,可见,Google是通过表单的get方式来传递查询参数并递交查询命令的。我们可以使用PHP中的file()函数来模拟这个查询过程。
了解File函数 语法: array file(string filename);
返回值为数组,将文件全部读入数组变量中。这里的文件可以是本地的,也可以是远程的,远程文件必须指明所使用的协议。例如:
result=file(“ …
mp;hl=zh-CN&lr=”),该语句将模拟我们在Google上查询单词“abcd”的过程,并将搜索结果以每行为元素,传回到数组变量
result中。因为这里读取的文件是远程的,所以协议名“”不能缺少。
如果要让用户输入搜索字符进行任意搜索,我们可以做一个输入文本框和提交按钮,并将上文中的被搜索字符“abcd”用变量替换:
?php echo ‘form’; //没有参数的form,默认提交方式为get,提交到本身 echo
‘input type=text name=keywords’; //构造一个文本输入框 echo ‘input
type=submit value=查询’; //构造一个提交查询按钮 echo ‘/form’; if (isset(
keywords)) //提交后PHP会生成变量 kwywords,即要求下面的程序在提交后运行 {
urlencode( keywords); //对用户输入内容进行URL编码 result=file(
keywords.&btnG=Google%CB%D1%CB%F7&hl=zh-CN&lr=);
//对查询语句进行变量替换,将查询结果保存在数组变量 result中
result_string=join( , result);
//将数组$result合并成字符串,各数组元素之间用空格粘和 … //进一步处理 }
?
上面的这段程序已经能按用户输入内容进行查询,并将返回的结果合成一个字符串变量$result_string。请注意要使用urlencode()函数将用户输入内容进行URL编码,才可以正常地对输入的汉字、空格以及其他特殊字符进行查询,这样做也是尽可能逼真地模拟Google的查询命令,保证搜索结果的正确性。
对Google的分析
为了便于理解,现在假设我们所真正需要的东西是:搜索结果的标题。网址和简介等,这是一个简洁而典型的需求。这样,我们所要做的便是:去除Google搜索结果的台头和脚注,包括一个Google的标志、再次搜索的输入框和搜索结果说明等,并且在剩余的搜索结果各项条目中剥离原来的HTML格式标记,替换成我们想要的格式。
要做到这一点,我们必须仔细地分析Google搜索结果的HTML源码,找到其中的规律。不难发现,在Google的搜索结果的正文总是包含在源码的第一个p标记和倒数第二个p标记之间,并且倒数第二个p标记后紧跟table字符,而且这个组合“ptable”在源码中也仅有一次,利用这个特点,我们可以这样去除Google的台头和脚注。
以下所有程序均依次接续在上文程序的“进一步处理”处。 result_string =
strstr( result_string, p); //取
result_string从第一个p开始后的字符串,以去除Google台头 position=
strpos( result_string,ptable符号的位置 result_string= substr(
result_string,0,
position);//截取第一个ptable符号之前的字符串,以去除脚注 应用与实现
OK,现在我们已经得到有用的HTML源码主干了,剩下的问题是如何自主地显示这些内容。我们再分析一下这些搜索结果条目,发现每个条目之间也是很有规律的用
分隔,也就是各成一个段落,按这个特点我们用explode()函数把每个条目切开:
语法:explode(string separator, string string);
返回一个数组,按separator切开后的各个小字串被保存在数组中。 于是:
result_澳门新葡萄京娱乐场 ,array=explode(p, result_string); //用字串p把结果切开
我们就得到一个数组
result_array,其中每个元素都是一个搜索结果条目。我们所要做的仅仅是研究每个条目及其HTML显示格式代码,然后按要求替换就行了。下面用循环来处理
result_array中的每个条目。 for( i=0; i { … //处理每个条目 }
对于每个条目,我们也很容易找到一些特点:每个条目都由标题、摘要、简介、类别、网址等组成,每个部分都换行,即包含br标记,于是再次分割:
every_item=explode(br, result_array[ i]); 这样我们得到一个数组
every_item,其中 every_item[0]就是标题, every_item[1]和
every_item[2]两行为摘要, every_item[3]和
every_item[4]等等的头部如果包含“font size=-1 color=#6f6f6f
简介:/font”、“ font size=-1 color=#6f6f6f类别:
/font”字符,则是简介或类别,如果头部包含“ font
color=green”则肯定就是网址啦,这种对比判断我们常使用正则表达式,如果要替换也很方便,比如包含标题的$every_item[0],其本身是有链接的,我们希望修改这个链接属性,让它在新窗口打开链接:
echo eregi_replace(‘ { … //处理每个条目中除去第一项的每一项 …
//更多格式修改 }
这样就修改了链接属性,其余很多显示格式的修改、剥离、替换都能用正则替换eregi_replace()来完成。
至此我们已经得到了每个搜索条目的每一项,并能任意修改每项的格式,甚至可以给他套上漂亮的表格。然而一个好的程序应该能适应各种运行环境的,这里也不例外,我们其实还只是讨论了搜索结果的HTML剥离的一种框架方法,真正要做得完美,还要考虑很多内容,比如要显示一共搜索出多少结果,分成多少页等等,甚至还可以刨除与Google相关的那些“类别”、“简介”等代码,让客户根本看不到原始网站。不过这些内容和要求我们都能通过分析HTML进行剥离得到。现在大家完全能自己动手,做个极富个性化的搜索引擎啦。

编者按:这是一篇精彩的编程教学文章,不但详细地剖析了搜索引擎的原理,也提供了笔者自己对使用PHP编制搜索引擎的一些思路。整篇文章深入浅出,相信无论是高手还是菜鸟,都能从中得到不少的启发。
谈到网页搜索引擎时,大多数人都会想到雅虎。的确,雅虎开创了一个互联网络的搜索时代。然而,雅虎目前用于搜索网页的技术却并非该公司原先自己开发的。2000年8月,雅虎采用了Google这家由斯坦福大学学生创建的风险公司的技术。理由非常简单,Google的搜索引擎比雅虎先前使用的技术能更快、更准确搜索到所需要的信息。
让我们自己来设计、开发一个强劲、高效的搜索引擎和数据库恐怕短时间内在技术、资金等方面是不可能的,不过,既然雅虎都在使用别人的技术,那么我们是不是也可以使用别人现成的搜索引擎网站呢?
剖析编程思路
我们可以这样设想:模拟一个查询,向某个搜索引擎网站发出相应格式的搜索命令,然后传回搜索结果,对结果的HTML代码进行分析,剥离多余的字符和代码,最后按所需要的格式显示在我们自己的网站页面里。
这样,问题的关键就在于,我们要选定一个搜索信息准确、速度快,搜索结果简洁的搜索网站,由于新一代搜索引擎Google的各种优良特性,这里我们选择它为例,来看看用PHP怎样实现后台对Google()搜索、前台个性化显示这一过程。
我们先来看看Google的查询命令的构成。进入网站,在查询栏中输入“abcd”,点击查询按钮,我们可以发现浏览器的地址栏变成:”%CB%D1%CB%F7&hl=zh-CN&lr=”,可见,Google是通过表单的get方式来传递查询参数并递交查询命令的。我们可以使用PHP中的file()函数来模拟这个查询过程。
了解File函数 语法: array file(string filename);
返回值为数组,将文件全部读入数组变量中。这里的文件可以是本地的,也可以是远程的,远程文件必须指明所使用的协议。例如:
result=file(“%CB%D1%CB%F7&hl=zh-CN&lr=”),该语句将模拟我们在Google上查询单词“abcd”的过程,并将搜索结果以每行为元素,传回到数组变量
result中。因为这里读取的文件是远程的,所以协议名“”不能缺少。
如果要让用户输入搜索字符进行任意搜索,我们可以做一个输入文本框和提交按钮,并将上文中的被搜索字符“abcd”用变量替换:

“); //取 result_string从第一个

开始后的字符串,以去除Google台头 position= strpos( result_string,”

table符号的位置 result_string= substr( result_string,0,
position);//截取第一个

table符号之前的字符串,以去除脚注 应用与实现
OK,现在我们已经得到有用的HTML源码主干了,剩下的问题是如何自主地显示这些内容。我们再分析一下这些搜索结果条目,发现每个条目之间也是很有规律的用
分隔,也就是各成一个段落,按这个特点我们用explode()函数把每个条目切开:
语法:explode(string separator, string string);
返回一个数组,按separator切开后的各个小字串被保存在数组中。 于是:
result_array=explode(“

“, result_string); //用字串”

“把结果切开 我们就得到一个数组
result_array,其中每个元素都是一个搜索结果条目。我们所要做的仅仅是研究每个条目及其HTML显示格式代码,然后按要求替换就行了。下面用循环来处理
result_array中的每个条目。 for( i=0; i { … //处理每个条目 }
对于每个条目,我们也很容易找到一些特点:每个条目都由标题、摘要、简介、类别、网址等组成,每个部分都换行,即包含标记,于是再次分割:
every_item=explode(“”, result_array[ i]); 这样我们得到一个数组
every_item,其中 every_item[0]就是标题, every_item[1]和
every_item[2]两行为摘要, every_item[3]和
every_item[4]等等的头部如果包含“简介:”、“ font size=-1
color=#6f6f6f类别: /font”字符,则是简介或类别,如果头部包含“ font
color=green”则肯定就是网址啦,这种对比判断我们常使用正则表达式,如果要替换也很方便,比如包含标题的$every_item[0],其本身是有链接的,我们希望修改这个链接属性,让它在新窗口打开链接:
echo eregi_replace(‘ { … //处理每个条目中除去第一项的每一项 …
//更多格式修改 }
这样就修改了链接属性,其余很多显示格式的修改、剥离、替换都能用正则替换eregi_replace()来完成。
至此我们已经得到了每个搜索条目的每一项,并能任意修改每项的格式,甚至可以给他套上漂亮的表格。然而一个好的程序应该能适应各种运行环境的,这里也不例外,我们其实还只是讨论了搜索结果的HTML剥离的一种框架方法,真正要做得完美,还要考虑很多内容,比如要显示一共搜索出多少结果,分成多少页等等,甚至还可以刨除与Google相关的那些“类别”、“简介”等代码,让客户根本看不到原始网站。不过这些内容和要求我们都能通过分析HTML进行剥离得到。现在大家完全能自己动手,做个极富个性化的搜索引擎啦。
摘自:_15747.html 作者:maxid

发表评论

电子邮件地址不会被公开。 必填项已用*标注