1、基于 Ajax+Lucene 构建搜索引擎的设计与实现摘 要通过搜索引擎从互联网上获取有用信息已经成为人们生活的重要组成部分，Lucene 是构建搜索引擎的其中一种方式。搜索引擎系统是在.Net 平台上用 C#开发的，数据库是 MSSQL Server 2000。主要完成的功能有：用爬虫抓取网页；获取有效信息放入数据库；通过 Lucene 建立索引；对简单关键字进行搜索；使用 Ajax 的局部刷新页面展示结果。论文详细说明了系统开发的背景，开发环境，系统的需求分析，以及功能的设计与实现。同时讲述了搜索引擎的原理，系统功能，并探讨使用 Ajax 与服务器进行数据异步交互，从而改善现有的 Web
2、应用模式。关键词：L；异步更新；Ajax；搜索引擎The Design and Implementation for Constructing the Search Engine with Ajax and LuceneAbstractObtaining useful information from web by search engines has become the important part of peoples lives. Lucene is the way of constructing search engine. This system is based on the .
3、Net platform using C#. The database is MSSQL Server 2000. Main functions are grasping web pages with crawls, adding effective information to the database, establishing index with Lucene, searching through keywords, and displaying the results finally.This paper has showed the principle of search engi
4、ne in the form of different modules, functions of this system, improving traditional web application model using Ajax. It shows explanation of the systems background, development environment, system analysis of demanding, and functions of design.Key words: L; Asynchronous update; Ajax; Search engine
5、s目 录论文总页数：19 页1 引言 .11.1 课题背景 .11.2 国内外研究现状 .11.3 本课题研究的意义 .11.4 本课题的研究方法 .12 L 构建搜索引擎原理 .22.1 全文搜索引擎 .22.1.1 搜索引擎的分类 .22.1.2 搜索引擎的工作原理 .22.2 LUCENE 与搜索引擎 .32.3 索引和搜索 .42.4 AJAX 技术 .43 需求分析 .53.1 同步环境 .53.2 功能需求 .63.3 性能需求 .63.4 输入输出要求 .73.5 运行需求 .74 方案设计 .74.1 搜索引擎模型 .74.2 数据库的设计 .74.3 模块设计 .85 系统实
6、现 .105.1 开发环境 .105.2 关键代码详解 .105.2.1 代码结构 .105.2.2 爬虫部分 .115.2.3 索引生成 .125.2.4 页面查询 .136 测试 .146.1 功能测试 .14结 论 .16参考文献 .17致 谢 .18声 明 .19第 1 页 共 19 页1 引言1.1 课题背景Lucene 是一个基于 Java 的全文信息检索工具包，它为应用程序提供索引和搜索功能。Lucene 目前是 Apache Jakarta 家族中的一个开源项目。也是目前最为流行的基于 Java 开源全文检索工具包。 Lucene 是 Java 世界中常用的索引API，使用它提
7、供的方法可以为文本资料创建索引，并提供检索。L 它只在命名方面采纳了.Net 的建议，主要目标倾向于和 Java Lucene 兼容：一个是索引格式兼容，达到可以共同工作的目的；一个是命名接近（只相差很少，比如大小写等） ，目的是可以方便开发者使用 Java Lucene 相关的代码和资料。1.2 国内外研究现状国内外对搜索引擎研究比较著名的便是 Google 了。无论搜索技术本身还是搜索范围与深度，Google 搜索总是所有搜索引擎的目标。Google 专业领域搜索方面做的成效是有目共睹的。Google 在低层次的智能搜索方面已经开始研究很多年了，实际的成果就是翻译方面。利用搜索技术，加上经
8、验主义发展出来的Google 翻译机器人，在外语翻译方面已经比传统的翻译好很多了。但是翻译仅仅是学术方面的应用，更重要的是 Google 建立起来的海量搜索历史记录。如果把这些海量搜索历史记录当作是词典的话，那么如果与搜索技术的结合发展成为低层次的只能搜索，那么应用就将大大加强与广泛。国内，对搜索引擎的专注和对中文的理解能力也是中国本土搜索引擎行业独特的竞争力。国内比较著名的比如百度，更专注对中文的处理。中文的意思多种多样，是很难用程序处理的。目前国内外都在做中文引擎，门户网站、非门户网站也都在进军搜索业，成立搜索门户。为了满足用户更深层次的需求，国内的搜索引擎也在不断的完善自己。如何将人类的
9、知识和智能加入到检索中，如何使搜索引擎的质量产生一个质的飞跃，也是国内搜索引擎努力的方向。中国网民对智能化搜索需求也是显而易见的。这也意味着搜索不再是简单的技术或者是网络导航而已，而是会成为普通人生活中必备的工具之一。1.3 本课题研究的意义随着计算机技术和互联网技术的飞速发展，网络上的信息量急剧增长，要在浩如烟海的网络世界中寻找需要的信息，作为现代信息获取技术的主要应用，那么搜索引擎是必不可少的。通过 L，可以很方便的构建起搜索引擎，本毕业设计除了考查使学生综合运用以前所学知识的能力，同时也使学生了解当今搜索及编程的一些新技术，并模拟简单的搜索引擎开发。1.4 本课题的研究方法在本系统的开发
10、过程中，首先分析了搜索引擎的相关功能，写出需求分析；第 2 页 共 19 页其次，综合运用以前所学的相关知识（数据库，C等） ，选择所熟悉的开发工具进行开发（本系统选择了 Microsoft Visual Studio .NET 2003 作为开发平台，开发语言选择了 C#；数据库采用 Microsoft SQL Server 2000） 。由于Lucene 不是完整的搜索引擎程序，只为搜索引擎应用提供了工具包，在 A平台中，可使用 L 这个对 Lucene 兼容的库。使用 L 协助完成搜索引擎相关的网页爬虫与抓取，为文档建立索引，关键词搜索的功能，通过 Ajax 优化系统，完成页面的局部刷新
11、功能，给用户好的体验。2 L 构建搜索引擎原理2.1 全文搜索引擎2.1.1 搜索引擎的分类获得网站网页资料，能够建立数据库并提供查询的系统，我们都可以把它叫做搜索引擎。真正意义上的搜索引擎，通常指的是收集了因特网上几千万到几十亿个网页并对网页中的每一个词（即关键词）进行索引，建立索引数据库的全文搜索引擎。当用户查找某个关键词的时候，所有在页面内容中包含了该关键词的网页都将作为搜索结果被搜出来。在经过复杂的算法进行排序后，这些结果将按照与搜索关键词的相关度排列。按照工作原理的不同，可以把它们分为两个基本类别：全文搜索和分类目录。全文搜索引擎通过从互联网上提取的各个网站的信息（以网页文字为主）而
12、建立的数据库中，检索与用户查询条件匹配的相关记录，然后按一定的排列顺序将结果返回给用户。从搜索来源的角度，全文搜索引擎又可细分为两种，一种是拥有自己的检索程序（Indexer） ，俗称“蜘蛛 ”（Spider ）程序或“机器人” （Robot ）程序，并自建网页数据库，搜索结果直接从自身的数据库中调用；另一种则是租用其他引擎的数据库，并按自定的格式排列搜索结果。分类目录则是通过人工的方式收集整理网站资料形成数据库的，比如雅虎中国以及国内的搜狐、新浪、网易分类目录。另外，在网上的一些导航站点，也可以归属为原始的分类目录。2.1.2 搜索引擎的工作原理搜索引擎的原理，可以看作三步：从互联网上抓取网
13、页，建立索引数据库，在索引数据库中搜索。全文搜索引擎的 “网络蜘蛛”能够扫描一定地址范围内的网站，并沿着网络上的链接从一个网页到另一个网页，从一个网站到另一个网站采集网页资料。它为保证采集的资料最新，还会回访已抓取过的网页。网络机器人或网络蜘蛛采集的网页，还要有其它程序进行分析，根据一定的相关度算法进行大量的计算建立网页索引，才能添加到索引数据库中。我们平时看到的全文搜索引擎，第 3 页 共 19 页实际上只是一个搜索引擎系统的检索界面，当你输入关键词进行查询时，搜索引擎会从庞大的数据库中找到符合该关键词的所有相关网页的索引，并按一定规则呈现给我们。不同的搜索引擎，网页索引数据库不同，搜索结果
14、也就不尽相同。利用能够从互联网上自动收集网页的 Spider 程序，自动访问互联网，并沿着网页中的所有 URL 爬到其它网页，重复这过程，并把爬过的所有网页收集回来。然后建立索引数据库，由分析索引程序对收集回来的网页进行分析，提取相关网页信息（包括网页所在 URL、编码类型、页面内容包含的关键词、关键词位置、生成时间、大小、与其它网页的链接关系等） ，然后用这些相关信息建立网页索引数据库。接下来在索引数据库中搜索排序，当用户输入关键词搜索后，由搜索系统程序从网页索引数据库中找到符合该关键词的所有相关网页。最后，由页面生成系统将搜索结果的链接地址和页面内容摘要等内容组织起来返回给用户。搜索引擎只
15、能搜到它网页索引数据库里储存的内容。2.2 Lucene 与搜索引擎Lucene 是一个全文信息检索工具包，为应用程序提供索引和搜索功能。和Java Lucene 兼容的 L 可以用在.net 平台。 Lucene 能够为文本类型的数据建立索引，所以你只要能把你要索引的数据格式转化的文本的，Lucene 就能对你的文档进行索引和搜索。比如你要对一些 HTML 文档，PDF 文档进行索引的话你就首先需要把 HTML 文档和 PDF 文档转化成文本格式的，然后将转化后的内容交给 Lucene 进行索引，然后把创建好的索引文件保存到磁盘或者内存中，最后根据用户输入的查询条件在索引文件上进行查询。不规
16、定要索引的文档的格式也使 Lucene 能够适用于几乎所有的搜索应用程序。如图 1 表示了搜索应用程序和 Lucene 之间的关系，也反映了利用 Lucene构建搜索应用程序的流程：图 1 应用程序和 Lucene第 4 页 共 19 页2.3 索引和搜索索引是现代搜索引擎的核心，建立索引是把数据源处理成非常方便查询的索引文件的过程。为什么索引这么重要呢，试想你现在要在大量的文档中搜索含有某个关键词的文档，那么如果不建立索引的话你就需要把这些文档顺序的读入内存，然后检查这个文章中是不是含有要查找的关键词，这样的话就会耗费非常多的时间，想想搜索引擎可是在毫秒级的时间内查找出要搜索的结果的。这就是
17、由于建立了索引的原因，你可以把索引想象成这样一种数据结构，他能够使你快速的随机访问存储在索引中的关键词，进而找到该关键词所关联的文档。Lucene 采用的是一种称为反向索引（ inverted index）的机制。反向索引就是说我们维护了一个词/短语表，对于这个表中的每个词 /短语，都有一个链表描述了有哪些文档包含了这个词/短语。这样在用户输入查询条件的时候，就能非常快的得到搜索结果。我们将在本系列文章的第二部分详细介绍 Lucene 的索引机制，由于 Lucene 提供了简单易用的 API，所以也可以非常容易的使用 Lucene对文档实现索引的建立。对文档建立好索引后，就可以在这些索引上面进
18、行搜索了。搜索引擎首先会对搜索的关键词进行解析，然后再在建立好的索引上面进行查找，最终返回和用户输入的关键词相关联的文档。2.4 Ajax 技术Ajax 全称为“Asynchronous JavaScript and XML” （异步 JavaScript 和 XML） ，是指一种创建交互式网页应用的网页开发技术。Ajax 技术是目前在浏览器中通过 JavaScript 脚本可以使用的所有技术的集合。包括：HTML 和 CSS，使用文档对象模型 DOM 作动态显示和交互，使用 XML 做数据交互和操作，使用XMLHttpRequest 进行异步数据接收，使用 JavaScript 将它们绑定在
19、一起。Ajax 技术之中，核心的技术就是 XMLHttpRequest，它最初的名称叫做XMLHTTP，是微软公司为了满足开发者的需要， 1999 年在 IE5.0 浏览器中率先推出的。后来这个技术被上述的规范命名为 XMLHttpRequest。它正是 Ajax技术之所以与众不同的地方。简而言之，XMLHttpRequest 为运行于浏览器中的JavaScript 脚本提供了一种在页面之内与服务器通信的手段。页面内的JavaScript 可以在不刷新页面的情况下从服务器获取数据，或者向服务器提交数据。XMLHttpRequest 的出现为 Web 开发提供了一种全新的可能性，甚至整个改变了人
20、们对于 Web 应用由什么来组成的看法。它可以使我们以一种全新的方式来做 Web 开发，为用户提供更好的交互体验。传统的 web 应用模型如图 2：第 5 页 共 19 页用户操作后等待.服务器端处理客户端页面处理新的页面呈现数据提交数据返回图 2 Web 应用模型与传统的 Web 开发不同， Ajax 并不是以一种基于静态页面的方式来看待Web 应用的。从 Ajax 的角度看来，Web 应用应由少量的页面组成，其中每个页面其实是一个更小型的 Ajax 应用。每个页面上面都包括有一些使用JavaScript 开发的 Ajax 组件。这些组件使用 XMLHttpRequest 对象以异步的方式与
21、服务器通信，从服务器获取需要的数据后使用 DOM API 来更新页面中的一部分内容。因此 Ajax 应用与传统的 Web 应用的区别主要在三个地方：1. 不刷新整个页面，在页面内与服务器通信。2. 使用异步方式与服务器通信，不需要打断用户的操作，具有更加迅速的响应能力。3. 系统仅由少量页面组成。大部分交互在页面之内完成，不需要切换整个页面。由此可见，Ajax 使得 Web 应用更加动态，带来了更高的智能，并且提供了表现能力丰富的 Ajax UI 组件。3 需求分析3.1 同步环境本系统的同步环境如图 3：第 6 页 共 19 页因 特 网检 索 服 务 器图 3 同步环境检索服务器通过 In
22、ternet 检索 Web 页面。3.2 功能需求本设计要实现的功能：1. 能够对 Internet 上的网页内容、标题、链接等信息按链式收集。2. 能够实现一定链接深度的网页收集,也就是在 Internet 上实现一定的 URL级的数据收录。3. 对收集到的数据存入 MSSQL Server 2000 等关系型数据库中、或者存入文本文件中。4. 网站信息库中的信息会不断的变动，对收集到的数据需要定期的自动维护，做到定期的删除、从新收集。5. 对收集到的数据进行关键词的检索。6. 对检索出的数据要可定位性，即可以显示对数据的出处的链接。7. 实现中英文分词功能，能够按中文或者英文单词检索数据。8. 实现无刷新的显示搜索结果，对搜索用时的计算、显示，关键字高亮显示等。9. 逻辑搜索功能比如“中国”AND“北京”AND NOT（“海淀区”AND“中关村” ） 。3.3 性能需求1. 精度：1.1 对收集到的信息需要一定的完整性，即对链接层次里的每个链接页面都能够收集得到，并写入收集的存储区里。1.2 对搜索出的内容需要包含有关键字信息2. 时间特性要求：2.1 数据收集时，因为是对 Internet 网上 Web 信息的收集，并且采用 URL
