1、 大 连 民 族 学 院 本 科 毕 业 设 计（论 文） 基于 Lucene 与 Heritrix 的搜索引擎构建 学 院（系）： 计算机科学与工程 专 业： 软件工程 学 生 姓 名： 冯超 学 号： 04083105 指 导 教 师： 赵晶莹 评 阅 教 师： 完 成 日 期 ： 大连 民族学院 基于 Lucene 与 Heritrix 的搜索引擎构建 - I - 摘 要 在互联网蓬勃发展的今天 ， 互联网上的信息更是浩如烟 海 。人们在享受互 联 网带来的便利的同时 ， 却面临着一个如何在如此海量的内容中准确、快捷地找到自己所需要的信息的问题 ， 由此互联网搜索引擎应运而生 。 本文
2、在对搜索引擎的原理、组成、数据结构 和 工作流程等方面 深入研究 的基础上，对搜索引擎的三个核心部分即网络蜘蛛、网页索引 和 搜索 的 分析 及 实现 过程 进行阐述 。网络蜘蛛部分采用了 基于递归和 归档 机制的 Heritrix 网络爬虫 ； 网页索引部分利用开源的 Lucene 引擎架构设计并实现了一个可复用 的 、可扩展的 索引建立 与 管理子 系统 ； 搜索部分在 Ajax 技术 支持 上，设计并实现了一个灵活、简洁的 用户接口。 本系统具有抓取网页、建立和管理索引、建立日志以及搜索信息等功能，具备一定的应用前景。 关键词： 搜索引擎； 中文 分词 ；索引 基于 Lucene 与 H
3、eritrix 的搜索引擎构建 - II - The Construction of Search Engine Based on Lucene and Heritrix Abstract The contents on the Web are increasing exponentially as the rapid development of the Internet. A problem how to obtain the useful information from vast contents quickly and accurately is facing us while pe
4、ople are enjoying the convenience of the Internet. The solver of this problem is Web Search Engine. The analysis and implementation process of three basic components of search engine(Crawler, Indexer and Searcher) is described in this paper on the basis of further study on the principles, compositio
5、n, data structure and work flow of search engine. The crawler component is implemented with Heritrix crawler based on the mechanism of recursion and archiving; A reusable, extensible index establishment and management subsystem are designed and implemented by open-source package named “Lucene” in th
6、e indexer component; The Searcher component based on the Ajax technology is designed and realized as a flexible, concise user interface. The system has some functions, such as crawling web page, establishment and management index, establishment log and search information, it has a certain applicatio
7、n prospect. Key Words： Search Engine； Chinese Word Segmentation； Index 基于 Lucene 与 Heritrix 的搜索引擎构建 - III - 目 录 摘 要 . I Abstract . II 1 绪论 . 1 1.1 项目背景 . 1 1.2 国内外发展现状 . 1 2 系统的开发平台及相关技术 . 3 2.1 系统开发平台 . 3 2.2 系统开发技术 . 3 2.2.1 Heritrix 网络爬虫简介 . 3 2.2.2 Lucene 技术简介 . 4 2.2.3 Ajax 技术简介 . 4 3 系统分析与设计 .
8、 6 3.1 系统需求分析 . 6 3.1.1 系统架构分析 . 6 3.1.2 系统用例模型 . 6 3.1.3 系统领域模型 . 10 3.2 系统概要设计 . 11 3.3 系统详细设计 . 12 3.3.1 索引建立子系统 . 13 3.3.2 用户接口子系统 . 17 4 系统的实现 . 18 4.1 系统包框架的构建 . 18 4.1.1 索引建立子系统 . 18 4.1.2 用户接口子系统 . 19 4.2 系统主要功能实现 . 19 4.2.1 索引建立子系统 . 19 4.2.2 用户接口子系统 . 22 结 论 . 24 参 考 文 献 . 25 致 谢 . 26 基于 L
9、ucene 与 Heritrix 的搜索引擎构建 1 1 绪论 1.1 项目背景 1994 年左右，万维网 （ world wide web）出现了。它的开放性和其上信息广泛的可访问性极大的激励了人们 创作的积极性。在短短的十几年间，人类至少在万维网上发布了 40 亿条的网页，并且现在每天都有数以万计的数量增长。由于网络上的资源与生俱来的数字化、网络化，这些特性成为了网络信息的双刃剑：一方面便于我们搜集整理，另一方面也会使我们感到太多蜂拥而至，无所适从。而搜索引擎的由来要追溯到 1990年加拿大的麦吉尔大学，麦吉尔大学的师生为了在分散在 FTP 资源上找到所需的东西，他们开发了软件 Archi
10、e。它通过定期搜索并分析 FTP 系统中存在的文件名信息，提供查找分布在各个 FTP 主机中文件的服务。当 Web 风靡全球之后，以 Web 网页为对象的搜索引擎检索系统产生了。成为人们上网找寻信息的重要手段，通过搜索引擎系统人们可以在浩如烟海的网络中瞬间找到想要找到的信息，并且搜索引擎的智能以及现在网页的特性使得人们只要输入相关的词语就可以找到直接相关的信息。 现今， Google 的巨大成功让整个世界都把眼光投入到搜索引擎这个领域中。仿佛一夜间，各种各样的搜索服务席卷而来。从最初的 Google、 Yahoo 到现今的 Baidu、 MSN、中搜、 Sogou 等，搜索引擎的品牌愈来愈多，
11、服务也越来越丰富。同时，伴随着 Web2.0的普及，网络信息的膨胀速度呈指 数急速增长，各种各样的网站都需要为其加入检索功能，以满足用户的需要。另外，在企业级 应用的市场上，全文信息检索的需求也一 直 在增加，各种文档处理、内容管理软件都需要键入全文检索的功能。 在这种背景下，搜索引擎的技术迅速发展。各种讨论搜索的文章、杂志、论文铺天盖地，论坛和博客上也有许多相关 帖子 。一时间，搜索引擎技术成为最热门的技术之一。 1.2 国内外发展现状 网页是因特网的最主要的组成部份，也是人们获取网络信息的最主要的来源，为了方便人们在大量繁杂的网页中找寻自己需要的信息，这类检索工具发展的最快。一般认为，基
12、于网页的信息检索工具主要有网页搜索引擎和网络分类目录两种。网页搜索引擎是通过“网络蜘蛛”等网页自动搜寻软件搜索到网页，然后自动给网页上的某些或全部字符做上索引，形成目标摘要格式文件以及网络可访问的数据库，供人们检索网络信息的检索工具。网络目录则是和搜索引擎完全不同，它不会将整个网络中每个网站的所有页面都放进去，而是由专业人员谨慎地选择网站的首页，将其放入相应的类目中。网络基于 Lucene 与 Heritrix 的搜索引擎构建 2 目录的信息量要比搜索引擎少得多，再加上不同的网络目录分类标准有些混乱，不便人们使用，因此虽然它标引质量比较高，利用它的人还是要比利用搜索引 擎的人少的多。 但是由于
13、网络 信息的复杂性和网络检索技术的限制，这类检索工具也有着明显的不足： (1) 随着网页数量的迅猛增加 ， 人工无法对其进行有效的分类、索引和利用。网络用户面对的是数量巨大的未组织信息，简单的关键词搜索 ,返回的信息数量之大 ， 让用户无法承受。 (2) 信息有用性评价困难。一些站点在网页中大量重复某些关键字 ， 使得容易被某些著名的搜索引擎选中，以期借此提高站点的地位 ,但事实上却可能没有提供任何对用户有价值的信息。 (3) 网络信息日新月异的变更 ， 人们总是期望挑出最新的信息。然而网络信息时刻变动 ， 实时搜索几乎不可能，就是刚刚浏览过的网页 ,也随时都有更新、过期、删除的可能。 网络信
14、息检索工具的发展主要体现在进一步改进、完善检索工具和检索技术，以提高检索服务质量，改变网络信息检索不尽如意的地方。 基于 Lucene 与 Heritrix 的搜索引擎构建 3 2 系统的开发平台及相关技术 该系统开发需要 J2EE 和 J2SE 相关技术，开发平台要求合理、方便、快捷，开发环境的选取至关重要，当选取一种相对合理的开发平台时，会提高系统开发效率，并遵循以最低的消耗完成最有价值的工程这一原则。 2.1 系统开发平台 本系统的开发平台如下 表 2.1 所示： 表 2.1 系统开发平台配 置 名称 平台 系统开发操作系统： Windows XP 中文版 系统开发数据库系统： SQL
15、Server2000 个人版 sp3 系统开发前台页面设计： Macromedia Dreamweaver8.0 J2EE 服务端引擎： Tomcat6.0 范围 系统集成开发工具： MyEclipse5.5.1GA Java 运行环境 ： JDK1.6.0_03 2.2 系统开发技术 2.2.1 Heritrix 网络爬虫简介 Heritrix 是一个由 Java 开发的、开源的 Web 网络爬虫，用户可以使用它从网络 上抓取想要的资源。 Heritrix 最出色之处在于它的可扩展性，开发者可以扩展它的各个组件，来实现自己的抓取逻辑。 Heritrix 设计成严格按照 robots.txt
16、文件的排除指示和 META robots 标签。 Heritrix 是 IA 的开放源代码，可扩展的，基于整个 Web 的，归档网络爬虫工程。 Heritrix 工程始于 2003 年初， IA 的目的是开发一个特殊的爬虫，对网上的资源进行归档，建立网络数字图书馆，在过去的 6 年里， IA 已经建立了 400TB 的数据。 (1) Heritrix 1.0.0 包含以下关键特性： 用单个爬虫在多个独立的站点一直不断的进行递归的爬。 从一个提供的种子进行爬，收集站点内的精确 URI 和精确主机。 主要是用广度优先算法进行处理。 基于 Lucene 与 Heritrix 的搜索引擎构建 4 主要
17、部件都是高效的可扩展的 。 良好的配置 。 (2) Heritrix 的局限： 单实例的爬虫，之间不能进行合作。 在有限的机器资源的情况下，却要复杂的操作。 只有官方支持，仅仅在 Linux 上进行了测试。 每个爬虫是单独进行工作的，没有对更新进行修订。 在硬件和系统失败时，恢复能力很差。 很少的时间用来优化性能。 2.2.2 Lucene 技术简介 Lucene 是 apache 软件基金会 jakarta 项目组的一个子项目，是一个开放源代码的全文检索引擎工具包，即它不是一个完整的全文检索引擎，而是一个全文检索引擎的架构，提供了完整的查询引擎和索引引擎，部分文本分析引擎（英文与德文两种西方
18、语言 ） 。Lucene 的目的是为软件开发人员提供一个简单易用的工具包，以方便的在目标系统中实现全文检索的功能，或者是以此为基础建立起完整的全文检索引擎。 面对已经存在的商业全文检索引擎， Lucene 也具有相当的优势。首先，它的开发源代码发行方式，在此基础上程 序员不仅仅可以充分的利用 Lucene 所提供的强大功能，而且可以深入细致的学习到全文检索引擎制作技术和面相对象编程的实践，进而在此基础上根据应用的实际情况编写出更好的更适合当前应用的全文检索引擎。在这一点上，商业软件的灵活性远远不及 Lucene。其次， Lucene 秉承了开放源代码一贯的架构优良的优势，设计了一个合理而极具扩
19、充能力的面向对象架构，程序员可以在 Lucene 的基础上扩充各种功能，比如扩充中文处理能力，从文本扩充到 HTML、 PDF 等等文本格式的处理，编写这些扩展的功能不仅仅不复杂，而且由于 Lucene 恰当合理的对系统设备做了程序上的抽象，扩展的功能也能轻易的达到跨平台的能力。最后，转移到 apache软件基金会后，借助于 apache 软件基金会的网络平台，程序员可以方便的和开发者、其它程序员交流，促成资源的共享，甚至直接获得已经编写完备的扩充功能。最后，虽然Lucene 使用 Java 语言写成，但是开放源代码社区的程序员正在不懈的将之使用各种传统语言实现，在遵守 Lucene 索引文件
20、格式的基础上，使得 Lucene 能够运行在各种各样的平台上，系统管理员可以根据当前的平台适合的语言来合理的选择。 2.2.3 Ajax 技术简介 (1) Ajax（ Asynchronous JavaScript + XML）的定义 基于 Lucene 与 Heritrix 的搜索引擎构建 5 基于 web 标准（ standards-based presentation） XHTML+CSS 的表示； 使用 DOM（ Document Object Model）进行动态显示及交互； 使用 XML 和 XSLT 进行数据交换及相关操作； 使用 XMLHttpRequest 进行异步数据查询、
21、检索； 使用 JavaScript 将所有的东西绑定在一起。 (2) Ajax 核心 Ajax 的核心是 JavaScript 对象 XmlHttpRequest。该对象在 Internet Explorer 5 中首次引入，它是一种支持异步请求的技术。简而言之， XmlHttpRequest 使您可以使用 JavaScript向服务器提出请求并处理响应，而不阻塞用户。 (3) 使用 Ajax 可以完成的功能 在创建 Web 站点时，在客户端执行屏幕更新为用户提供了很大的灵活性。下面是使用 Ajax 可以完成的功能： 动态更新购物车的物品总数，无需用户单击 Update 并等待服务器重新发送整
22、个页面。 提升站点的性能，这是通过减少从服务器 下载的数据量而实现的。例如，在某购物车页面，当更新篮子中的一项物品的数量时，会重新载入整个页面，这必须下载整个页面的数据。如果使用 Ajax 计算新的总量，服务器只会返回新的总量值，因此所需的带宽仅为原来的百分之一。消除了每次用户输入时的页面刷新。例如，在 Ajax 中，如果用户在分页列表上单击 Next，则服务器数据只刷新列表而不是整个页面。 直接编辑表格数据，而不是要求用户导航到新的页面来编辑数据。对于 Ajax，当用户单击 Edit 时，可以将静态表格刷新为内容可编辑的表格。用户单击 Done 之后，就可以发出一个 Ajax 请求来更新服务
23、器，并刷新表格，使其包含静态、只读的数据。 (4) Ajax 的工作原理 Ajax 的工作原理 相当于在用户和服务器之间加了 个中间层，使用户操作与服务器响应异步化。这样把以前的一些服务器负担的工作转嫁到客户端，利于客户端闲置的处理能力来处理，减轻服务器和带宽的负担，从而达到节约 ISP 的空间及带宽租用成本的目的。 基于 Lucene 与 Heritrix 的搜索引擎构建 6 3 系统分析与设计 3.1 系统需求分析 3.1.1 系统架构分析 (1) 系统定位 系统 定位为 用于网页 、 影视 和 图片的搜索。 (2) 系统结构 系统总体包括三大系统模块：网络 爬虫 、 索引建立 子 系统和
24、用户接口 子 系统。如图3.1 所示。 H e r i t r i x 网 络爬 虫索 引 建 立 子系 统用 户 接 口 子系 统S o B a 系 统图 3.1 系统 结构图 网络爬虫的主要任务是从目标源定时抓取信息资源，比如图片 、 网页等。 索引建立 子 系统主要任务是根据网络爬虫抓取的资源进行分析、正文抽取，利用分词器将提取的资源进行分词 、 倒排建立索引。 用户接口 子 系统的主要任务是为用户提供可搜索接口，用户通过 web 界面输入词条，向服务器发出请求，服务器经过简单处理将处理后的词条传递给搜索器，再以 xml格式传给客户端，客户端利用 XmlHttpRequest 来接受数据，将数据处理显示给用户。 3.1.2 系统用例模型 系统涉及的角色有用户和后台维护人员，用户主要的场景有对想要的信息进行搜索，而后台维护人员的主要场景有抓取资源 、 维护资源 、 建立索引 、 维护索引 和 维护日志等，以下是对两个角色的 部分 用例场景的分析： (1) 详述用例： 用户进行影视搜索 主要参与者：用户 相关人员及兴趣：
