转载请注明出处:http://blog.csdn.net/xiaojimanman/article/details/37956749
在上学的时候,java老师曾经说过百度的一个面试题目,大概意思是“有1W条无序的记录,如何从其中快速的查找到自己想要的记录”。这个就相当于一个简单的搜索引擎。最近在整理这一年的工作中,自己竟然已经把这个实现了,今天对其进一步的抽象,和大家分享下。
先写具体的实现代码,具体的实现思路和逻辑写在代码之后。
搜索时用于排序的Bean
/** *@Description: */ package cn.lulei.search.engine.model; public class SortBean { private String id; private int times; public String getId() { return id; } public void setId(String id) { this.id = id; } public int getTimes() { return times; } public void setTimes(int times) { this.times = times; } }
构造的搜索数据结构以及简单的搜索算法
/** *@Description: */ package cn.lulei.search.engine; import java.util.ArrayList; import java.util.Collections; import java.util.Comparator; import java.util.HashMap; import java.util.HashSet; import java.util.List; import cn.lulei.search.engine.model.SortBean; public class SerachBase { //details 存储搜素对象的详细信息,其中key作为区分Object的唯一标识 private HashMap<String, Object> details = new HashMap<String, Object>(); //对于参与搜索的关键词,这里采用的稀疏数组存储,也可以采用HashMap来存储,定义格式如下 //private static HashMap<Integer, HashSet<String>> keySearch = new HashMap<Integer, HashSet<String>>(); //HashMap中额key值相当于稀疏数组中的下标,value相当于稀疏数组在该位置的值 private final static int maxLength = Character.MAX_VALUE; @SuppressWarnings("unchecked") private HashSet<String>[] keySearch = new HashSet[maxLength]; /** *@Description: 实现单例模式,采用Initialization on Demand Holder加载 *@Author:lulei *@Date:2014-7-19 *@Version:1.1.0 */ private static class lazyLoadSerachBase { private static final SerachBase serachBase = new SerachBase(); } /** * 这里把构造方法设置成私有为的是单例模式 */ private SerachBase() { } /** * @return * @Date:2014-7-19 * @Author:lulei * @Description: 获取单例 */ public static SerachBase getSerachBase() { return lazyLoadSerachBase.serachBase; } /** * @param id * @return * @Date:2014-7-19 * @Author:lulei * @Description: 根据id获取详细 */ public Object getObject(String id) { return details.get(id); } /** * @param ids * @return * @Date:2014-7-19 * @Author:lulei * @Description: 根据ids获取详细,id之间用","隔开 */ public List<Object> getObjects(String ids) { if (ids == null || "".equals(ids)) { return null; } List<Object> objs = new ArrayList<Object>(); String[] idArray = ids.split(","); for (String id : idArray) { objs.add(getObject(id)); } return objs; } /** * @param key * @return * @Date:2014-7-19 * @Author:lulei * @Description: 根据搜索词查找对应的id,id之间用","分割 */ public String getIds(String key) { if (key == null || "".equals(key)) { return null; } //查找 //idTimes存储搜索词每个字符在id中是否出现 HashMap<String, Integer> idTimes = new HashMap<String, Integer>(); //ids存储出现搜索词中的字符的id HashSet<String> ids = new HashSet<String>(); //从搜索库中去查找 for (int i = 0; i < key.length(); i++) { int at = key.charAt(i); //搜索词库中没有对应的字符,则进行下一个字符的匹配 if (keySearch[at] == null) { continue; } for (Object obj : keySearch[at].toArray()) { String id = (String) obj; int times = 1; if (ids.contains(id)) { times += idTimes.get(id); idTimes.put(id, times); } else { ids.add(id); idTimes.put(id, times); } } } //使用数组排序 List<SortBean> sortBeans = new ArrayList<SortBean>(); for (String id : ids) { SortBean sortBean = new SortBean(); sortBeans.add(sortBean); sortBean.setId(id); sortBean.setTimes(idTimes.get(id)); } Collections.sort(sortBeans, new Comparator<SortBean>(){ public int compare(SortBean o1, SortBean o2){ return o2.getTimes() - o1.getTimes(); } }); //构建返回字符串 StringBuffer sb = new StringBuffer(); for (SortBean sortBean : sortBeans) { sb.append(sortBean.getId()); sb.append(","); } //释放资源 idTimes.clear(); idTimes = null; ids.clear(); ids = null; sortBeans.clear(); sortBeans = null; //返回 return sb.toString(); } /** * @param id * @param searchKey * @param obj * @Date:2014-7-19 * @Author:lulei * @Description: 添加搜索记录 */ public void add(String id, String searchKey, Object obj) { //参数有部分为空,不加载 if (id == null || searchKey == null || obj == null) { return; } //保存对象 details.put(id, obj); //保存搜索词 addSearchKey(id, searchKey); } /** * @param id * @param searchKey * @Date:2014-7-19 * @Author:lulei * @Description: 将搜索词加入到搜索域中 */ private void addSearchKey(String id, String searchKey) { //参数有部分为空,不加载 //这里是私有方法,可以不做如下判断,但为了设计规范,还是加上 if (id == null || searchKey == null) { return; } //下面采用的是字符分词,这里也可以使用现在成熟的其他分词器 for (int i = 0; i < searchKey.length(); i++) { //at值相当于是数组的下标,id组成的HashSet相当于数组的值 int at = searchKey.charAt(i); if (keySearch[at] == null) { HashSet<String> value = new HashSet<String>(); keySearch[at] = value; } keySearch[at].add(id); } } }
测试用例:
/** *@Description: */ package cn.lulei.search.engine.test; import java.util.List; import cn.lulei.search.engine.SerachBase; public class Test { public static void main(String[] args) { // TODO Auto-generated method stub SerachBase serachBase = SerachBase.getSerachBase(); serachBase.add("1", "你好!", "你好!"); serachBase.add("2", "你好!我是张三。", "你好!我是张三。"); serachBase.add("3", "今天的天气挺好的。", "今天的天气挺好的。"); serachBase.add("4", "你是谁?", "你是谁?"); serachBase.add("5", "高数这门学科很难", "高数确实很难。"); serachBase.add("6", "测试", "上面的只是测试"); String ids = serachBase.getIds("你的高数"); System.out.println(ids); List<Object> objs = serachBase.getObjects(ids); if (objs != null) { for (Object obj : objs) { System.out.println((String) obj); } } } }
测试输出结果如下:
5,3,2,1,4,
高数确实很难。
今天的天气挺好的。
你好!我是张三。
你好!
你是谁?
这样一个简单的搜索引擎也就算是完成了。
问题一:这里面的分词采用的是字符分词,对汉语的处理还是挺不错的,但是对英文的处理就很弱。
改进方法:采用现在成熟的分词方法,比如IKAnalyzer、StandardAnalyzer等,这样修改,keySearch的数据结构就需要做下修改,可以修改为 private HashMap<String, String>[] keySearch = new HashMap[maxLength]; 其中key存储分的词元,value存储唯一标识id。
问题二:本文实现的搜索引擎对词元并没有像lucene设置权重,只是简单的判断词元是否在对象中出现。
改进方法:暂无。添加权重处理,使数据结构更加复杂,所以暂时没有对其做处理,在今后的文章中会实现权重的处理。
下面就简单的介绍一下这篇博客中的搜索引擎的实现思路。(启发于博客屏蔽词功能实现:http://blog.csdn.net/xiaojimanman/article/details/16852791)
在SerachBase类中设置details和keySearch两个属性,details用于存储Object的详细信息,keySearch用于对搜索域做索引。details数据格式为HashMap,keySearch的数据格式为稀疏数组(也可以为HashMap,HashMap中额key值相当于稀疏数组中的下标,value相当于稀疏数组在该位置的值)。
对于details我就不做太多的介绍。
keySearch中数组下标(如用HashMap就是key)的计算方法是获取词元的第一个字符int值(因为本文的分词采用的是字符分词,所以一个字符就是一个词元),该int值就是数组的下标,相应的数组值就是Object的唯一标识。这样keySearch的数据结构就如下图
因此想添加新纪录的时候只需要调用add方法即可。
对于搜索的实现逻辑和上面的keySearch类似。对于id的搜索直接使用HashMap的get方法即可。对于搜索词的一个搜索,整体的过程也是采用先分词、其次查询、最后排序。当然这里面的分词要和创建采用的分词要一致(即创建的时候采用字符分词,查找的时候也采用字符分词)。
在getIds方法中,HashMap<String, Integer> idTimes = new HashMap<String, Integer>();idTimes 变量用来存储搜索词中的词元有多少个在keySearch中出现,key值为唯一标识id,value为出现的词元个数。HashSet<String> ids = new HashSet<String>(); ids变量用来存储出现的词元的ids。这样搜索的复杂度就是搜索词的词元个数n。获得包含词元的ids,构造SortBean数组,对其排序,排序规则是出现词元个数的降序排列。最后返回ids字符串,每个id用","分割。如要获取详细信息
再使用getObjects方法即可。
上述的只是一个简单的搜索引擎,并没有设计太多的计算方法,欢迎大家批评。