找對搬家公司
搬運不再花大錢費力氣,全省回頭車服務
清潔專業系統櫥櫃、系統家具直營工廠
設計規劃到府丈量,責任施工,歡迎蒞廠參觀

首頁  •  j2h 論壇 • 程式設計討論     • 

PHP搜索引擎技術核心揭密

房東:小怪
發表時間:2007-01-25


這是一篇精彩的編程教學文章,不但詳細地剖析了搜索引擎的原理,也提供了筆者自己對使用???編製搜索引擎的一些思路。整篇文章深入淺出,相信無論是高手還是菜鳥,都能從中得到不少的啟發。

  談到網頁搜索引擎時,大多數人都會想到雅虎。的確,雅虎開創了一個互聯網絡的搜索時代。然而,雅虎目前用於搜索網頁的技術卻並非該公司原先自己開發的。2000年8月,雅虎採用了Google(www.google.com)這家由斯坦福大學學生創建的風險公司的技術。理由非常簡單,Google的搜索引擎比雅虎先前使用的技術能更快、更準確搜索到所需要的信息。

  讓我們自己來設計、開發一個強勁、高效的搜索引擎和數據庫恐怕短時間內在技術、資金等方面是不可能的,不過,既然雅虎都在使用別人的技術,那麼我們是不是也可以使用別人現成的搜索引擎網站呢?

剖析編程思路

  我們可以這樣設想:模擬一個查詢,向某個搜索引擎網站發出相應格式的搜索命令,然後傳回搜索結果,對結果的HTML代碼進行分析,剝離多餘的字符和代碼,最後按所需要的格式顯示在我們自己的網站頁面裡。

  這樣,問題的關鍵就在於,我們要選定一個搜索信息準確(這樣我們的搜索才會更有意義啊)、速度快(因為我們分析搜索結果並顯示需要額外的時間),搜索結果簡潔(便於進行HTML源代碼分析和剝離)的搜索網站,由於新一代搜索引擎Google的各種優良特性,這裡我們選擇它為例,來看看用PHP怎樣實現後台對Google(www.google.com)搜索、前台個性化顯示這一過程。

  我們先來看看Google的查詢命令的構成。進入www.google.com網站,在查詢欄中輸入「abcd」,點擊查詢按鈕,我們可以發現瀏覽器的地址欄變成:"http://www.google.com/search?q=abcd&btnG=Google%CB%D1%CB%F7&hl=zh-CN&lr=",可見,Google是通過表單的get方式來傳遞查詢參數並遞交查詢命令的。我們可以使用PHP中的file()函數來模擬這個查詢過程。

瞭解File()函數

  語法: array file(string filename);

  返回值為數組,將文件全部讀入數組變量中。這裡的文件可以是本地的,也可以是遠程的,遠程文件必須指明所使用的協議。例如: result=file(「http://www.google.com/search?q=abcd&btnG=Google%CB%D1%CB%F7&hl=zh-CN&lr=」),該語句將模擬我們在Google上查詢單詞「abcd」的過程,並將搜索結果以每行為元素,傳回到數組變量 result中。因為這裡讀取的文件是遠程的,所以協議名「http://」不能缺少。

  如果要讓用戶輸入搜索字符進行任意搜索,我們可以做一個輸入文本框和提交按鈕,並將上文中的被搜索字符「abcd」用變量替換:
echo '
'; //沒有參數的form,默認提交方式為get,提交到本身
echo ''; //構造一個文本輸入框
echo ''; //構造一個提交查詢按鈕
echo '
';

if (isset( keywords)) //提交後PHP會生成變量 kwywords,即要求下面的程序在提交後運行
{
urlencode( keywords); //對用戶輸入內容進行URL編碼
result=file("http://www.google.com/search?q=". keywords."&btnG=Google%CB%D1%CB%F7&hl=zh-CN&lr=");
//對查詢語句進行變量替換,將查詢結果保存在數組變量 result中
result_string=join(" ", result); //將數組$result合併成字符串,各數組元素之間用空格粘和
... //進一步處理
}
?>

  上面的這段程序已經能按用戶輸入內容進行查詢,並將返回的結果合成一個字符串變量$result_string。請注意要使用urlencode()函數將用戶輸入內容進行URL編碼,才可以正常地對輸入的漢字、空格以及其他特殊字符進行查詢,這樣做也是盡可能逼真地模擬Google的查詢命令,保證搜索結果的正確性。

對Google的分析

  為了便於理解,現在假設我們所真正需要的東西是:搜索結果的標題。網址和簡介等,這是一個簡潔而典型的需求。這樣,我們所要做的便是:去除Google搜索結果的台頭和腳注,包括一個Google的標誌、再次搜索的輸入框和搜索結果說明等,並且在剩餘的搜索結果各項條目中剝離原來的HTML格式標記,替換成我們想要的格式。

  要做到這一點,我們必須仔細地分析Google搜索結果的HTML源碼,找到其中的規律。不難發現,在Google的搜索結果的正文總是包含在源碼的第一個

標記和倒數第二個

標記之間,並且倒數第二個

標記後緊跟table字符,而且這個組合「


  以下所有程序均依次接續在上文程序的「進一步處理」處。

  result_string = strstr( result_string, "

"); //取 result_string從第一個

開始後的字符串,以去除Google台頭
position= strpos( result_string,"

table符號的位置
result_string= substr( result_string,0, position);//截取第一個

table符號之前的字符串,以去除腳注

應用與實現

  OK,現在我們已經得到有用的HTML源碼主幹了,剩下的問題是如何自主地顯示這些內容。我們再分析一下這些搜索結果條目,發現每個條目之間也是很有規律的用
分隔,也就是各成一個段落,按這個特點我們用explode()函數把每個條目切開:

  語法:explode(string separator, string string);

  返回一個數組,按separator切開後的各個小字串被保存在數組中。

  於是:
result_array=explode("

", result_string); //用字串"

"把結果切開

  我們就得到一個數組 result_array,其中每個元素都是一個搜索結果條目。我們所要做的僅僅是研究每個條目及其HTML顯示格式代碼,然後按要求替換就行了。下面用循環來處理 result_array中的每個條目。
for( i=0; i {
... //處理每個條目
}

  對於每個條目,我們也很容易找到一些特點:每個條目都由標題、摘要、簡介、類別、網址等組成,每個部分都換行,即包含
標記,於是再次分割:(以下處理程序放在上文的循環中)
every_item=explode("
", result_array[ i]);

  這樣我們得到一個數組 every_item,其中 every_item[0]就是標題, every_item[1]和 every_item[2]兩行為摘要, every_item[3]和 every_item[4]等等的頭部如果包含「簡介:」、「< font size=-1 color=#6f6f6f>類別:< /font>」字符,則是簡介或類別(因為有的結果條目沒有該項),如果頭部包含「< font color=green>」則肯定就是網址啦,這種對比判斷我們常使用正則表達式(略),如果要替換也很方便,比如包含標題的$every_item[0],其本身是有鏈接的,我們希望修改這個鏈接屬性,讓它在新窗口打開鏈接:
echo eregi_replace(' {
... //處理每個條目中除去第一項(第一項為標題,已經顯示)的每一項
... //更多格式修改
}

  這樣就修改了鏈接屬性,其餘很多顯示格式的修改、剝離、替換都能用正則替換eregi_replace()來完成。

  至此我們已經得到了每個搜索條目的每一項,並能任意修改每項的格式,甚至可以給他套上漂亮的表格。然而一個好的程序應該能適應各種運行環境的,這裡也不例外,我們其實還只是討論了搜索結果的HTML剝離的一種框架方法,真正要做得完美,還要考慮很多內容,比如要顯示一共搜索出多少結果,分成多少頁等等,甚至還可以刨除與Google相關的那些「類別」、「簡介」等代碼,讓客戶根本看不到原始網站。不過這些內容和要求我們都能通過分析HTML進行剝離得到。現在大家完全能自己動手,做個極富個性化的搜索引擎啦。




  • 贊助網站       

    廣利不動產-新板特區指名度最高、值得您信賴的好房仲
    您的托付,廣利用心為您服務
    廣利不動產-板橋在地生根最實在--新板特區指名度最高、值得您信賴的好房仲
    完整房訊,房屋、店面熱門精選物件,廣利不動產 優質仲介,房屋租賃、買賣資訊透明,交易真安心!



  •  共 0 人回應

    姓名:
    佈告內容:
    其他選項: