1、南京工业大学学士学位论文第 1 页 共 28 页目录目录 1摘要 3第一章 引言 4第二章 搜索引擎的结构 52.1 系统概述 .52.2 搜索引擎的构成 .52.2.1 网络机器人 .52.2.2 索引与搜索 .52.2.3 Web 服务器 62.3 搜索引擎的主要指标及分析 .62.4 小节 .6第三章 网络机器人 73.1 什么是网络机器人 .73.2 网络机器人的结构分析 .73.2.1 如何解析 HTML 73.2.2 Spider 程序结构 .83.2.3 如何构造 Spider 程序 .93.2.4 如何提高程序性能 .113.2.5 网络机器人的代码分析 .123.3 小节 .
2、14第四章 基于 LUCENE 的索引与搜索 .154.1 什么是 LUCENE 全文检索 .154.2 LUCENE 的原理分析 154.2.1 全文检索的实现机制 .154.2.2 Lucene 的索引效率 .154.2.3 中文切分词机制 17南京工业大学学士学位论文第 2 页 共 28 页4.3 LUCENE 与 SPIDER 的结合 184.4 小节 .21第五章 基于 TOMCAT 的 WEB 服务器 225.1 什么是基于 TOMCAT 的 WEB 服务器 .225.2 用户接口设计 .225.3.1 客户端设计 .225.3.2 服务端设计 .235.3 在 TOMCAT 上部
3、署项目 .255.4 小节 .25第六章 搜索引擎策略 266.1 简介 .266.2 面向主题的搜索策略 .266.2.1 导向词 .266.2.3 权威网页和中心网页 .276.3 小节 .27参考文献 28南京工业大学学士学位论文第 3 页 共 28 页摘要网络中的资源非常丰富，但是如何有效的搜索信息却是一件困难的事情。建立搜索引擎就是解决这个问题的最好方法。本文首先详细介绍了基于英特网的搜索引擎的系统结构，然后从网络机器人、索引引擎、Web 服务器三个方面进行详细的说明。为了更加深刻的理解这种技术，本人还亲自实现了一个自己的搜索引擎新闻搜索引擎。新闻搜索引擎是从指定的 Web 页面中按
4、照超连接进行解析、搜索，并把搜索到的每条新闻进行索引后加入数据库。然后通过 Web 服务器接受客户端请求后从索引数据库中搜索出所匹配的新闻。本人在介绍搜索引擎的章节中除了详细的阐述技术核心外还结合了新闻搜索引擎的实现代码来说明，图文并茂、易于理解。AbstractThe resources in the internet are abundant, but it is a difficult job to search some useful information. So a search engine is the best method to solve this problem. Th
5、is article fist introduces the system structure of search engine based on the internet in detail, then gives a minute explanation form Spider search, engine and web server. In order to understand the technology more deeply, I have programmed a news search engine by myself.The news search engine is e
6、xplained and searched according to hyperlink from a appointed web page, then indexs every searched information and adds it to the index database. Then after receiving the customers requests from the web server, it soon searchs the right news form the index engine,In the chapter of introducing search
7、 engine, it is not only elaborate the core technology, but also combine with the modern code,pictures included, easy to understand.南京工业大学学士学位论文第 4 页 共 28 页第一章 引言面对浩瀚的网络资源，搜索引擎为所有网上冲浪的用户提供了一个入口，毫不夸张的说，所有的用户都可以从搜索出发到达自己想去的网上任何一个地方。因此它也成为除了电子邮件以外最多人使用的网上服务。搜索引擎技术伴随着 WWW 的发展是引人注目的。搜索引擎大约经历了三代的更新发展：第一代搜索
8、引擎出现于 1994 年。这类搜索引擎一般都索引少于 1，000，000 个网页，极少重新搜集网页并去刷新索引。而且其检索速度非常慢，一般都要等待 10 秒甚至更长的时间。在实现技术上也基本沿用较为成熟的 IR（Information Retrieval） 、网络、数据库等技术，相当于利用一些已有技术实现的一个 WWW 上的应用。在 1994 年 3 月到 4 月，网络爬虫 World Web Worm (WWWW)平均每天承受大约 1500 次查询。大约在 1996 年出现的第二代搜索引擎系统大多采用分布式方案（多个微型计算机协同工作）来提高数据规模、响应速度和用户数量，它们一般都保持一个大
9、约 50，000，000 网页的索引数据库，每天能够响应 10，000，000 次用户检索请求。1997 年 11 月，当时最先进的几个搜索引擎号称能建立从 2，000，000 到 100，000，000 的网页索引。Altavista 搜索引擎声称他们每天大概要承受 20，000，000 次查询。2000 年搜索引擎 2000 年大会上，按照 Google 公司总裁 Larry Page 的演讲，Google 正在用 3,000 台运行 Linux 系统的个人电脑在搜集 Web 上的网页，而且以每天 30 台的速度向这个微机集群里添加电脑，以保持与网络的发展相同步。每台微机运行多个爬虫程序搜
10、集网页的峰值速度是每秒 100 个网页，平均速度是每秒 48.5 个网页，一天可以搜集超过4，000，000 网页搜索引擎一词在国内外因特网领域被广泛使用，然而他的含义却不尽相同。在美国搜索引擎通常指的是基于因特网的搜索引擎，他们通过网络机器人程序收集上千万到几亿个网页，并且每一个词都被搜索引擎索引，也就是我们说的全文检索。著名的因特网搜索引擎包括 First Search、Google、HotBot 等。在中国，搜索引擎通常指基于网站目录的搜索服务或是特定网站的搜索服务，本人这里研究的是基于因特网的搜索技术。南京工业大学学士学位论文第 5 页 共 28 页第二章 搜索引擎的结构2.1 系统概
11、述搜索引擎是根据用户的查询请求，按照一定算法从索引数据中查找信息返回给用户。为了保证用户查找信息的精度和新鲜度，搜索引擎需要建立并维护一个庞大的索引数据库。一般的搜索引擎由网络机器人程序、索引与搜索程序、索引数据库等部分组成。系统结构图2.2 搜索引擎的构成2.2.1 网络机器人网络机器人也称为“网络蜘蛛”(Spider)，是一个功能很强的 WEB 扫描程序。它可以在扫描 WEB 页面的同时检索其内的超链接并加入扫描队列等待以后扫描。因为 WEB 中广泛使用超链接，所以一个 Spider 程序理论上可以访问整个 WEB 页面。为了保证网络机器人遍历信息的广度和深度需要设定一些重要的链接并制定相
12、关的扫描策略。2.2.2 索引与搜索网络机器人将遍历得到的页面存放在临时数据库中，如果通过 SQL 直接查询信息速度将会难以忍受。为了提高检索效率，需要建立索引，按照倒排文件的格式存放。如果索引不及时跟新的话，用户用搜索引擎也不能检索到。用户输入搜索条件后搜索程序将通过索引数据库进行检索然后把符合查询要求的数据WWW文档网络机器人程序建立 Lucene 索引从数据库中搜索信息Tomcat 服务器Lucene 索引数据库WWW 浏览器WWW 浏览器JSP网络机器人程序南京工业大学学士学位论文第 6 页 共 28 页库按照一定的策略进行分级排列并且返回给用户。2.2.3 Web 服务器 客户一般通
13、过浏览器进行查询，这就需要系统提供 Web 服务器并且与索引数据库进行连接。客户在浏览器中输入查询条件，Web 服务器接收到客户的查询条件后在索引数据库中进行查询、排列然后返回给客户端。2.3 搜索引擎的主要指标及分析搜索引擎的主要指标有响应时间、召回率、准确率、相关度等。这些指标决定了搜索引擎的技术指标。搜索引擎的技术指标决定了搜索引擎的评价指标。好的搜索引擎应该是具有较快的反应速度和高召回率、准确率的，当然这些都需要搜索引擎技术指标来保障。召回率：一次搜索结果中符合用户要求的数目与用户查询相关信息的总数之比准确率：一次搜索结果中符合用户要求的数目与该次搜索结果总数之比相关度：用户查询与搜索
14、结果之间相似度的一种度量精确度：对搜索结果的排序分级能力和对垃圾网页的抗干扰能力2.4 小节以上对基于因特网的搜索引擎结构和性能指标进行了分析，本人在这些研究的基础上利用 JavaTM 技术和一些 Open Source 工具实现了一个简单的搜索引擎新闻搜索引擎。在接下来的几章里将会就本人的设计进行详细的分析。南京工业大学学士学位论文第 7 页 共 28 页第三章 网络机器人3.1 什么是网络机器人网络机器人又称为 Spider 程序，是一种专业的 Bot 程序。用于查找大量的 Web 页面。它从一个简单的 Web 页面上开始执行，然后通过其超链接在访问其他页面，如此反复理论上可以扫描互联网上
15、的所有页面。基于因特网的搜索引擎是 Spider 的最早应用。例如搜索巨头 Google 公司，就利用网络机器人程序来遍历 Web 站点，以创建并维护这些大型数据库。网络机器人还可以通过扫描 Web 站点的主页来得到这个站点的文件清单和层次机构。还可以扫描出中断的超链接和拼写错误等。3.2 网络机器人的结构分析Internet 是建立在很多相关协议基础上的，而更复杂的协议又建立在系统层协议之上。Web 就是建立在 HTTP ( Hypertext Transfer Protocol ) 协议基础上，而 HTTP 又是建立在TCP/IP ( Transmission Control Protoc
16、ol / Internet Protocol ) 协议之上，它同时也是一种Socket 协议。所以网络机器人本质上是一种基于 Socket 的网络程序。3.2.1 如何解析 HTML因为 Web 中的信息都是建立在 HTML 协议之上的，所以网络机器人在检索网页时的第一个问题就是如何解析 HTML。在解决如何解析之前，先来介绍下 HTML 中的几种数据。文本：除了脚本和标签之外的所有数据注释：程序员留下的说明文字，对用户是不可见的简单标签：由单个表示的 HTML 标签开始标签和结束标签：用来控制所包含的 HTML 代码我们在进行解析的时候不用关心所有的标签，只需要对其中几种重要的进行解析即可。
17、超连接标签超连接定义了 WWW 通过 Internet 链接文档的功能。他们的主要目的是使用户能够任意迁移到新的页面，这正是网络机器人最关心的标签。图像映射标签南京工业大学学士学位论文第 8 页 共 28 页图像映射是另一种非常重要的标签。它可以让用户通过点击图片来迁移到新的页面中。表单标签表单是 Web 页面中可以输入数据的单元。许多站点让用户填写数据然后通过点击按钮来提交内容，这就是表单的典型应用。表格标签表格是 HTML 的构成部分，通常用来格式化存放、显示数据。我们在具体解析这些 HTMl 标签有两种方法：通过 JavaTM 中的 Swing 类来解析或者通过 Bot 包中的 HTML
18、Page 类来解析，本人在实际编程中采用后者。Bot 包中的 HTMLPage 类用来从指定 URL 中读取数据并检索出有用的信息。下面给出该类几种重要的方法。HTMLPage 构造函数 构造对象并指定用于通讯的 HTTP 对象Public HTMLPage(HTTP http)GetForms 方法 获取最后一次调用 Open 方法检索到的表单清单Public Vector getForms()GetHTTP 方法 获取发送给构造函数的 HTTP 对象Public HTTP getHTTP()GetImage 方法 获取指定页面的图片清单Public Vector getImage()Get
19、Links 方法 获取指定页面的连接清单Public Vector getLinks()Open 方法 打开一个页面并读入该页面，若指定了回调对象则给出所有该对象数据Public void open(String url,HTMLEditorKit.ParserCallback a)3.2.2 Spider 程序结构网络机器人必须从一个网页迁移到另一个网页，所以必须找到该页面上的超连接。程序首先解析网页的 HTML 代码，查找该页面内的超连接然后通过递归和非递归两种结构来实现 Spider 程序。递归结构递归是在一个方法中调用自己本身的程序设计技术。虽然比较容易实现但耗费内存且不能南京工业大学
20、学士学位论文第 9 页 共 28 页使用多线程技术，故不适合大型项目。非递归结构这种方法使用队列的数据结构，当 Spider 程序发现超连接后并不调用自己本身而是把超连接加入到等待队列中。当 Spider 程序扫描完当前页面后会根据制定的策略访问队列中的下一个超连接地址。虽然这里只描述了一个队列，但在实际编程中用到了四个队列，他们每个队列都保存着同一处理状态的 URL。等待队列 在这个队列中，URL 等待被 Spider 程序处理。新发现的 URL 也被加入到这个队列中处理队列 当 Spider 程序开始处理时，他们被送到这个队列中错误队列 如果在解析网页时出错，URL 将被送到这里。该队列中
21、的 URL 不能被移入其他队列中完成队列 如果解析网页没有出错，URL 将被送到这里。该队列中的 URL 不能被移入其它队列中在同一时间 URL 只能在一个队列中，我们把它称为 URL 的状态。发现 URL 等待队列 运行队列完成队列错误队列完成 URL以上的图表示了队列的变化过程，在这个过程中，当一个 URL 被加入到等待队列中时Spider 程序就会开始运行。只要等待队列中有一个网页或 Spider 程序正在处理一个网页，程序就会继续他的工作。当等待队列为空并且当前没有任何网页时，Spider 程序就会停止它的工作。3.2.3 如何构造 Spider 程序在构造 Spider 程序之前我们
22、先了解下程序的各个部分是如何共同工作的。以及如何对这个程序进行扩展。流程图如下所示：南京工业大学学士学位论文第 10 页 共 28 页把 URL 加入等待队列Spider 程序工作完成等待队列中是否有 URL？否下载从等待队列中得到的网页，并将他送入运行队列中。是这个网页包含其他超级连接吗？将这一网页送入完成队列并继续查看网页上的下一个超连接是否为指向Web 的连接？报告其他类型连接连接是否与网页所在主机不同且只处理本地连接？报告外部连接报告网页连接将连接加入等候队列否是否是否是南京工业大学学士学位论文第 11 页 共 28 页IspiderReportable 接口这是一个必须实现的接口，可
23、以通过回调函数接受 Spider 所遇到的页面。接口定义了Spider 向他的控制者发送的几个事件。通过提供对每个事件的处理程序，可以创建各种Spider 程序。下面是他的接口声明：public interface IspiderReportablepublic boolean foundInternalLink(String url);public boolean foundExternalLink(String url);public boolean foundOtherLink(String url);public void processPage(HTTP page);public v
24、oid completePage(HTTP page,boolean error);public boolean getRemoveQuery();public void SpiderComplete();3.2.4 如何提高程序性能Internet 中拥有海量的 Web 页面，如果开发出高效的 Spider 程序是非常重要的。下面就来介绍下几种提高性能的技术：Java 的多线程技术线程是通过程序的一条执行路线。多线程是一个程序同时运行多个任务的能力。它是在一个程序的内部进行分工合作。优化程序的通常方法是确定瓶颈并改进他。瓶颈是一个程序中最慢的部分，他限制了其他任务的运行。据个例子说明：一个
25、Spider 程序需要下载十个页面，要完成这一任务，程序必须向服务器发出请求然后接受这些网页。当程序等待响应的时候其他任务不能执行，这就影响了程序的效率。如果用多线程技术可以让这些网页的等待时间合在一起，不用互相影响，这就可以极大的改进程序性能。数据库技术当 Spider 程序访问一个大型 Web 站点时，必须使用一种有效的方法来存储站点队列。这些队列管理 Spider 程序必须维护大型网页的列表。如果把他们放在内存中将会是性能下降，所以我们可以把他们放在数据库中减少系统资源的消耗。南京工业大学学士学位论文第 12 页 共 28 页3.2.5 网络机器人的代码分析程序结构图如下：程序代码实现如
26、下：package news;/* 新闻搜索引擎* 计算机 99630 沈晨* 版本 1.0*/import com.heaton.bot.HTTP;import com.heaton.bot.HTTPSocket;import com.heaton.bot.ISpiderReportable;import com.heaton.bot.IWorkloadStorable;import com.heaton.bot.Spider;import com.heaton.bot.SpiderInternalWorkload;/* 构造一个 Bot 程序*/public class Searcheri
27、mplements ISpiderReportable 南京工业大学学士学位论文第 13 页 共 28 页public static void main(String args) throws Exception IWorkloadStorable wl = new SpiderInternalWorkload();Searcher _searcher = new Searcher();Spider _spider= new Spider(_searcher, “http:/127.0.0.1/news.htm“,new HTTPSocket(), 100, wl);_spider.setMa
28、xBody(100);_spider.start();/ 发现内部连接时调用，url 表示程序发现的 URL，若返回 true 则加入作业中，否则不加入。public boolean foundInternalLink(String url) return false;/ 发现外部连接时调用，url 表示程序所发现的 URL，若返回 true 则把加入作业中，否则不加入。public boolean foundExternalLink(String url) return false;/ 当发现其他连接时调用这个方法。其他连接指的是非 HTML 网页，可能是 E-mail 或者 FTPpubl
29、ic boolean foundOtherLink(String url) return false;/ 用于处理网页，这是 Spider 程序要完成的实际工作。public void processPage(HTTP http) System.out.println(“扫描网页：“ + http.getURL();new HTMLParse(http).start();/ 用来请求一个被处理的网页。public void completePage(HTTP http, boolean error) 南京工业大学学士学位论文第 14 页 共 28 页/ 由 Spider 程序调用以确定查询字符
30、串是否应删除。如果队列中的字符串应当删除，方法返回真。public boolean getRemoveQuery() return true;/ 当 Spider 程序没有剩余的工作时调用这个方法。public void spiderComplete() 3.3 小节在本章中，首先介绍了网络机器人的基本概念，然后具体分析了 Spider 程序的结构和功能。在最后还结合具体代码进行了详细说明。本人在编程中运用了 JavaTM 技术，主要涉及到了 net 和 io 两个包。此外还用了第三方开发包 Bot（由 Jeff Heaton 提供的开发包） 。南京工业大学学士学位论文第 15 页 共 28
31、页第四章 基于 lucene 的索引与搜索4.1 什么是 Lucene 全文检索Lucene 是 Jakarta Apache 的开源项目。它是一个用 Java 写的全文索引引擎工具包，可以方便的嵌入到各种应用中实现针对应用的全文索引/检索功能。4.2 Lucene 的原理分析4.2.1 全文检索的实现机制Lucene 的 API 接口设计的比较通用，输入输出结构都很像数据库的表= 记录=字段，所以很多传统的应用的文件、数据库等都可以比较方便的映射到 Lucene 的存储结构和接口中。总体上看：可以先把 Lucene 当成一个支持全文索引的数据库系统。索引数据源：doc(field1,fiel
32、d2.) doc(field1,field2.) indexer /_| Lucene Index|-/ searcher 结果输出：Hits(doc(field1,field2) doc(field1.)Document：一个需要进行索引的“单元”，一个 Document 由多个字段组成Field： 字段Hits：查询结果集，由匹配的 Document 组成4.2.2 Lucene 的索引效率通常书籍后面常常附关键词索引表（比如：北京：12, 34 页，上海：3,77 页），它能够帮助读者比较快地找到相关内容的页码。而数据库索引能够大大提高查询的速度原理也是一样，想像一下通过书后面的索引查找
33、的速度要比一页一页地翻内容高多少倍而索引之所以效率高，另外一个原因是它是排好序的。对于检索系统来说核心是一个排序问题。南京工业大学学士学位论文第 16 页 共 28 页由于数据库索引不是为全文索引设计的，因此，使用 like “%keyword%“时，数据库索引是不起作用的，在使用 like 查询时，搜索过程又变成类似于一页页翻书的遍历过程了，所以对于含有模糊查询的数据库服务来说，LIKE 对性能的危害是极大的。如果是需要对多个关键词进行模糊匹配：like“%keyword1%“ and like “%keyword2%“ .其效率也就可想而知了。所以建立一个高效检索系统的关键是建立一个类似于
34、科技索引一样的反向索引机制，将数据源（比如多篇文章）排序顺序存储的同时，有另外一个排好序的关键词列表，用于存储关键词=文章映射关系，利用这样的映射关系索引：关键词=出现关键词的文章编号，出现次数（甚至包括位置：起始偏移量，结束偏移量），出现频率，检索过程就是把模糊查询变成多个可以利用索引的精确查询的逻辑组合的过程。从而大大提高了多关键词查询的效率，所以，全文检索问题归结到最后是一个排序问题。由此可以看出模糊查询相对数据库的精确查询是一个非常不确定的问题，这也是大部分数据库对全文检索支持有限的原因。Lucene 最核心的特征是通过特殊的索引结构实现了传统数据库不擅长的全文索引机制，并提供了扩展接
35、口，以方便针对不同应用的定制。可以通过一下表格对比一下数据库的模糊查询：Lucene 全文索引引擎 数据库索引 将数据源中的数据都通过全文索引一一建立反向索引对于 LIKE 查询来说，数据传统的索引是根本用不上的。数据需要逐个便利记录进行 GREP式的模糊匹配，比有索引的搜索速度要有多个数量级的下降。匹配效果 通过词元(term)进行匹配，通过语言分析接口的实现，可以实现对中文等非英语的支持。使用：like “%net%“ 会把 netherlands也匹配出来，多个关键词的模糊匹配：使用 like “%com%net%“：就不能匹配词序颠倒的匹配度 有匹配度算法，将匹配程度（相似度）比较高的
36、结果排在前面。没有匹配程度的控制：比如有记录中 net 出现5 词和出现 1 次的，结果是一样的。结果输出 通过特别的算法，将最匹配度最高的头 返回所有的结果集，在匹配条目非常多的时候南京工业大学学士学位论文第 17 页 共 28 页100 条结果输出，结果集是缓冲式的小批量读取的。（比如上万条）需要大量的内存存放这些临时结果集。可定制性 通过不同的语言分析接口实现，可以方便的定制出符合应用需要的索引规则（包括对中文的支持）没有接口或接口复杂，无法定制结论 高负载的模糊查询应用，需要负责的模糊查询的规则，索引的资料量比较大使用率低，模糊匹配规则简单或者需要模糊查询的资料量少4.2.3 中文切分
37、词机制对于中文来说，全文索引首先还要解决一个语言分析的问题，对于英文来说，语句中单词之间是天然通过空格分开的，但亚洲语言的中日韩文语句中的字是一个字挨一个，所有，首先要把语句中按“词”进行索引的话，这个词如何切分出来就是一个很大的问题。首先，肯定不能用单个字符作(si-gram)为索引单元，否则查“上海”时，不能让含有“海上”也匹配。但一句话：“北京天安门”，计算机如何按照中文的语言习惯进行切分呢？“北京 天安门” 还是“北 京 天安门”？让计算机能够按照语言习惯进行切分，往往需要机器有一个比较丰富的词库才能够比较准确的识别出语句中的单词。另外一个解决的办法是采用自动切分算法：将单词按照 2
38、元语法(bigram)方式切分出来，比如：“北京天安门“ = “北京 京天 天安 安门“。这样，在查询的时候，无论是查询“北京“ 还是查询“天安门“，将查询词组按同样的规则进行切分：“北京“，“天安安门“，多个关键词之间按与“and“的关系组合，同样能够正确地映射到相应的索引中。这种方式对于其他亚洲语言：韩文，日文都是通用的。基于自动切分的最大优点是没有词表维护成本，实现简单，缺点是索引效率低，但对于中小型应用来说，基于 2 元语法的切分还是够用的。基于 2 元切分后的索引一般大小和源文件差不多，而对于英文，索引文件一般只有原文件的 30%-40%不同，自动切分 词表切分实现 实现非常简单 实
39、现复杂南京工业大学学士学位论文第 18 页 共 28 页查询 增加了查询分析的复杂程度， 适于实现比较复杂的查询语法规则存储效率 索引冗余大，索引几乎和原文一样大 索引效率高，为原文大小的 30左右维护成本 无词表维护成本 词表维护成本非常高：中日韩等语言需要分别维护。还需要包括词频统计等内容适用领域 嵌入式系统：运行环境资源有限分布式系统：无词表同步问题多语言环境：无词表维护成本对查询和存储效率要求高的专业搜索引擎4.3 Lucene 与 Spider 的结合首先构造一个 Index 类用来实现对内容进行索引。代码分析如下：package news;/* 新闻搜索引擎* 计算机 99630
40、沈晨* 版本 1.0*/import java.io.IOException;import .ChineseAnalyzer;import org.apache.lucene.document.Document;import org.apache.lucene.document.Field;import org.apache.lucene.index.IndexWriter;南京工业大学学士学位论文第 19 页 共 28 页public class Index IndexWriter _writer = null;Index() throws Exception _writer = new I
41、ndexWriter(“c:Newsindex“,new ChineseAnalyzer(), true);/* 把每条新闻加入索引中* param url 新闻的 url* param title 新闻的标题* throws java.lang.Exception*/void AddNews(String url, String title) throws Exception Document _doc = new Document();_doc.add(Field.Text(“title“, title);_doc.add(Field.UnIndexed(“url“, url);_writ
42、er.addDocument(_doc);/* 优化并且清理资源* throws java.lang.Exception*/void close() throws Exception _writer.optimize();_writer.close();然后构造一个 HTML 解析类，把通过 bot 程序收集的新闻内容进行索引。南京工业大学学士学位论文第 20 页 共 28 页代码分析如下：package news;/* 新闻搜索引擎* 计算机 99630 沈晨* 版本 1.0*/import java.util.Iterator;import java.util.Vector;import
43、com.heaton.bot.HTMLPage;import com.heaton.bot.HTTP;import com.heaton.bot.Link;public class HTMLParse HTTP _http = null;public HTMLParse(HTTP http) _http = http;/* 对 Web 页面进行解析后建立索引*/public void start() try HTMLPage _page = new HTMLPage(_http);_page.open(_http.getURL(), null);Vector _links = _page.ge
44、tLinks();Index _index = new Index();Iterator _it = _links.iterator();int n = 0;while (_it.hasNext() Link _link = (Link) _it.next();String _herf = input(_link.getHREF().trim();南京工业大学学士学位论文第 21 页 共 28 页String _title = input(_link.getPrompt().trim();_index.AddNews(_herf, _title);n+;System.out.println(“
45、共扫描到“ + n + “条新闻“);_index.close();catch (Exception ex) System.out.println(ex);/* 解决 java 中的中文问题* param str 输入的中文* return 经过解码的中文*/public static String input(String str) String temp = null;if (str != null) try temp = new String(str.getBytes(“ISO8859_1“);catch (Exception e) return temp;4.4 小节在进行海量数据搜索
46、时，如果使用单纯的数据库技术，那将是非常痛苦的。速度将是极大的瓶颈。所以本章提出了使用全文搜索引擎 Lucene 进行索引、搜索。最后，还结合了具体代码说明了如何把 Lucene 全文搜索引擎和 Spider 程序互相集合来实现新闻搜索的功能。南京工业大学学士学位论文第 22 页 共 28 页第五章 基于 Tomcat 的 Web 服务器5.1 什么是基于 Tomcat 的 Web 服务器Web 服务器是在网络中为实现信息发布、资料查询、数据处理等诸多应用搭建基本平台的服务器。Web 服务器如何工作：在 Web 页面处理中大致可分为三个步骤，第一步，Web 浏览器向一个特定的服务器发出 Web
47、 页面请求；第二步，Web 服务器接收到 Web 页面请求后，寻找所请求的 Web 页面，并将所请求的 Web 页面传送给 Web 浏览器；第三步，Web 服务器接收到所请求的 Web 页面，并将它显示出来。Tomcat 是一个开放源代码、运行 servlet 和 JSP Web 应用软件的基于 Java 的 Web 应用软件容器。Tomcat 由 Apache-Jakarta 子项目支持并由来自开放性源代码 Java 社区的志愿者进行维护。Tomcat Server 是根据 servlet 和 JSP 规范进行执行的，因此我们就可以说Tomcat Server 也实行了 Apache-Jak
48、arta 规范且比绝大多数商业应用软件服务器要好。5.2 用户接口设计5.3.1 客户端设计一个良好的查询界面非常重要，例如 Googl 就以她简洁的查询界面而闻名。我在设计的时候也充分考虑了实用性和简洁性。查询界面截图如下：南京工业大学学士学位论文第 23 页 共 28 页搜索结果截图如下：5.3.2 服务端设计主要利用 JavaTM Servlet 技术实现，用户通过 GET 方法从客户端向服务端提交查询条件，服务端通过 Tomcat 的 Servlet 容器接受并分析提交参数，再调用 lucene 的开发包进行搜索操作。最后把搜索的结果以 HTTP 消息包的形式发送至客户端，从而完成一次
49、搜索操作。服务端 Servlet 程序的结构如下：南京工业大学学士学位论文第 24 页 共 28 页实现的关键代码如下：public void Search(String qc, PrintWriter out) throws Exception / 从索引目录创建索引IndexSearcher _searcher = new IndexSearcher(“c:newsindex“);/ 创建标准分析器Analyzer analyzer = new ChineseAnalyzer();/ 查询条件String line = qc;/ Query 是一个抽象类Query query = QueryParser.parse(line, “title“, analyzer);out.println(“);out.println(“搜索结果“);out.println(“);out.println(“ +“ +
