基于Lucene框架的“虎扑篮球”网站搜索引擎（java版）

　1 引言

本次作业完成了基于Lucene的“虎扑篮球”网站搜索引擎，对其主要三个板块---“最新新闻”（主要NBA新闻），“虎扑步行街”（类似贴吧性质），“虎扑湿乎乎”（篮球发帖区）进行页面分析并建立索引完成搜索引擎。

1．1 设计目的

搜索引擎是一个很有用的程序，可以让你更方便，快捷的实现目标信息的查找和检索，本程序就针对虎扑篮球网站的三个子页面的帖子题目建立索引，并可实现显示目标条目的标题、时间、来源、和正文内容、以及原网址URL。

(1) 当程序运行时，在java scanner上会显示提示信息“请输入你要查询的模块：1代表虎扑新闻 2代表步行街 3代表shh 4代表综合搜索”分别代表用户搜索的四种搜索需求

(2) 输入完要求数字后，会显示如下提示信息“请输入爬虫深度（爬取页数）”，这条信息代表用户想要搜索的页数，页数越多，产生的内容越多。（相当于规定搜索页数）

(3) 之后会提示输入最大显示数量，顾名思义，由用户输入显示的最大条目数。

(4) 最后会让用户输入查询串，然后敲入回车就可以根据查询串来找到对应数量的条目。

(5) 如果选择搜索虎扑新闻，则会显示最大条目数的新闻的条目、新闻的来源、新闻发布的时间、原网页的url还有全部的正文内容（正文内容格式按照原网页）。

(6)如果选择shh或虎扑步行街搜索，则会显示最大条目数的贴子题目，发帖具体年月日、来源、原文url、正文内容。

(7) 如果用户选择4综合搜索，则会显示出最大条目数的全部页面的搜索结果（新闻、shh、步行街），并且每个条目都会显示出其对应结构和正文内容，方便用户挑选和查看。

1．2 设计说明

本程序采用Java程序设计语言，在IDEA平台下编辑、编译与调试。

Jdk版本1.7，使用外部工具包有：Jsoup、Lucene。

2 总体设计

2．1 功能模块设计

本程序需实现的主要功能有：

(1) 用户可以自定义搜索页面

(2) 用户可以自定义爬虫深度也就是爬取页数

(3) 用户可以选择最大显示数目

(4) 输入搜索串，根据搜索串显示

程序的总体功能如图1所示：

2. 2 流程图设计

程序总体流程如图2所示：

图2 设计总体流程图

3 详细设计

3．1 设计概述

搜索引擎的设计总体分量四大部分：

第一部分是爬虫，主要是对想要搜索的页面进行爬取，获取其html信息；

第二部分是对这些html信息进行筛选、分析并最后转化成需要的字符串；

第三部分是利用Lucene框架对处理好的字符串信息建立索引，并根据搜索串搜索；

第四部分是将需要的信息以字符串的形式显示（正文url，正文内容，来源等）。

3．2 网页爬虫及其内容提取和分析

1、初始化：在做这一步之前，需要对Lucene的内容做初始化。

这里面使用在RAM里面建立索引，避免了空间的浪费，其余变量通过Lucene手册规范建立。

2、获取：通过jsoup的connect的get方法获取其对应url下的html内容

　　　　　　　　　　　　　　　　　　org.jsoup.nodes.Document doc = Jsoup.connect(url).get();

3、筛选：

主要函数：

　　　　　　　　　　　　　　　　　　public static Elements[] getNews(Document doc)

函数目的：

将步骤一得到的doc对象作为参数，使用getNews函数获取对应筛选标签下的元素集合。

函数核心代码：

函数详解：我们通过分析三个页面的html代码找到新闻标题和url所在的标签

下面我们以虎扑新闻为例来解读我们是如何筛选标签的：（其他类似，不一一页面分析）

从这个截图中我们可以看出所有的虎扑新闻都放在class=“list-head”标签下，而所有的其他信息都放在class=“other-Info”标签里。，所以我们建立了一个Elements的数组，用来分别存放这两个标签的html代码并返回。

4、解析

主要函数：

　　　　　　　　　　　　　　　　　　　　public static HashMap<String,String> analyze(Elements[]e)

函数目的：步骤而得到的Elements数组，返回一HashMap类型的值，该值的键为对应新闻内容的url（string），值为对应的新闻标题和新闻事件来源等信息（string）。

实现方法：首先是url的提取，这里使用了正则表达式

　　　　　　　　　　　　　　　　　　　String regex = "https://[\\w+\\.?/?]+\\.[A-Za-z]+";

来提取出对应标签的url，（由于第二步做过筛选，所以可以保证当前每一个elements内只有一个url，所以可以用正则表达式）。

之后使用Elements自带的方法eachText()方法获取正文内容。再做一些细节修补工作，将新闻时间等附加内容与标题相连。

核心代码：

最后返回哈希表news即可。

3．3 Lucene索引的建立和搜索

1、建立索引

1、主要函数：

public static void creatIndex(HashMap news,IndexWriter w)

2、函数作用：对上一步得到的HashMap的内容进行分析，并对他们的不同部分建立索引。

3、函数实现：使用迭代器遍历HashMap的键值对，取出里面的内容并adddoc方法建立索引。

4、addDoc方法：将三个参数根据“url”“newstitle”“newsother”三个字段增添索引

2、搜索

1、主要函数

　　　　　　　　　　　　　　　　　　public static void Search(String querystr,intnum,Directory index)

2、函数作用：通过对传入的索引index进行搜索串querystr的搜索，获取“命中的项”

3、函数实现：根据Lucene使用手册的代码修改得到：

3．3内容的显示

这里我为了正确的显示出内容，使用了两种方法来获取信息，第一种是老师推荐的方法Boilerpipe，但是发现这种训练方法对一些简单页面确实可以实现提取正文，但是对一些复杂页面（特别是带有很多评论的页面）提取出的正文为空，为了解决这个问题，我写了备用方案。当检测到Boilerpipe方法获取正文为空时，就启用备用方案。

备用方案的思路很简单，就是按照页面找出内容所在的标签，获取其正文，再之用字符串replace，等方法对其进行修改即可。