[项目详解][boost搜索引擎#1] 概述 | 去标签 | 数据清洗 | scp

本文介绍了搜索引擎项目的背景、宏观原理和技术栈，重点讲解了正排索引与倒排索引的差异，并展示了如何使用Parser进行数据清洗及Linux下文件传输技巧。

mit6.824

2358人浏览 · 2024-10-19 20:25:27

mit6.824 · 2024-10-19 20:25:27 发布

六、编写数据去除标签和数据清洗模块 Parser

使用SCP命令在两台Linux服务器之间传输文件

Boost搜索引擎项目的九个步骤~

项目的相关背景
搜索引擎的相关宏观原理
搜索引擎技术栈和项目环境
正排索引 vs 倒排索引 - 搜索引擎具体原理
编写数据去标签与数据清洗的模块Parser
编写建立索引的模块 Index
编写搜索引擎模块 Searcher
编写http server模块
编写前端模块

准备分几篇文章讲解，持续更新中(●'◡'●)，会在最后一篇文章中放上项目的gitee~本篇文章先从这几个部分进行实现

一、前言

在日常使用浏览器搜索时，服务器返回的是与搜索关键字相关的网站信息，包括网站标题、内容简述和URL。点击标题后会跳转到对应的网页。常见的搜索引擎如百度、谷歌等覆盖全网信息，而我们的项目是一个小范围的站内搜索引擎，用 boost库 实现的 boost站内搜索

二、项目的相关背景

什么是Boost库？

Boost库是C++的准标准库，提供许多高级功能。
许多Boost组件已被纳入C++11标准。如：哈希、智能指针
更多详情可访问Boost官网。

什么是搜索引擎？

搜索引擎如百度、360、搜狗展示的信息通常包括网页标题、摘要和URL。
我们设计的搜索引擎将不包含图片、视频或广告等扩展内容。
搜出来的结果展示都是以，标题+内容摘要+url 组成

为什么要做Boost搜索引擎？

Boost库缺乏站内搜索功能。
实现一个类似cplusplus官网的站内搜索功能是有意义的

实现目标：搜索一个关键字，就能够跳转到指定的网页，并显示出来
站内搜索的数据量相对较小且更垂直化。

三、搜索引擎的宏观原理

通过以下步骤实现：

数据准备：获取并存储Boost文档数据。我们可以直接将 boost库对应版本的数据直接解压到我们对应文件里。
去标签 & 数据清洗：提取所需信息（标题、摘要、URL）。我们从boost库拿的数据其实就是对应文档html网页，但是我们需要的只是每个网页的标题+网页内容摘要+跳转的网址，所以才有了去标签和数据清洗（只拿我们想要的）
构建索引：对清洗后的数据建立索引（方便客户端快速查找）；
用户请求处理：解析搜索关键词，检索索引，返回结果。

流程模拟：

当服务器所以的工作都完成之后，客户端就发起http请求，
通过GET方法，上传搜索关键，
服务器收到了会进行解析，通过客户端发来的关键字去检索已经构建好的索引，找到了相关的html后
将逐个的将每个网页的标题、摘要和网址拼接起来，构建出一个新的网页，响应给客户端
至此，客户就看到了相应的内容，点击网址就可以跳转到boost库相应的文档位置。

网页概述：

tltle
内容摘要
url

盈利方式：

推送广告，竞价排名收费

四、搜索引擎技术栈和项目环境

技术栈：

C/C++/C++11, STL,
相关库

Web 前端（ HTML5, CSS, JavaScript）, jQuery, Ajax。

相关库

Boost库（文件遍历）
Jsoncpp（json 处理）
cppjieba（分词）
cpp-httplib（网络库-http 服务）

项目环境

Ubuntu 云服务器,
vim/gcc/g++/Makefile
VS2022 或 VSCode

五、正排索引 VS 倒排索引--原理

正排索引：文档ID-->文档关键词/ 内容。
倒排索引：文档的关键词-->文档ID。

分词

目标文档进行分词：目的：方便建立倒排索引和查找
停止词：了，吗，的，the，a，一般情况我们在分词的时候可以不考虑

正排索引

文档 1	我以后要养一只小猫
文档 2	我以后还要养一只小狗

分词

1：我 /以后 /要养/ 一只/ 小猫

2：我 /以后 /还要养 /一只 /小狗

倒排索引

我	文档 1，文档 2
以后	文档 1，文档 2
小猫	文档 1
小狗	文档 2

⭕模拟一次查找的过程：

用户输入：关键词->倒排索引中查找->提取出文档ID(1,2)->通过倒排数据找到正排ID->找到文档的内容->title+conent（desc）+url 文档结果进行摘要->通过 json字符串响应回去-->然后在用户的浏览器显示出一个个网页信息

代码实现逻辑：

下载Boost库 -> 解析HTML -> 数据清洗 -> 构建索引 -> 提供搜索接口 -> 显示结果。

数据准备：从Boost官网下载 boost 库，并解压至Linux目录。
选择所需文件：写一个解析程序从一个个html文件的源码中提取标题、内容和url，将他们保存到硬盘的一个data.txt文件中。
读取：读取data.txt文件，建立正排和倒排索引，提供索引的接口来获取正排和倒排数据
数据拷贝：写一个html页面，提供给用户一个搜索功能。然后模拟上述查找过程

六、编写数据去除标签和数据清洗模块 Parser

1.数据准备

boost 官⽹： https://www.boost.org/

下载：

之后 rz -E，再解压

⽬前只需要boost_1_86_0/doc/html⽬录下的html⽂件，⽤它来进⾏建⽴索引

将我们所需要的数据源拷贝到 data目录下的intput目录下--清洗数据完成

parser

这里我是在 vscode 下进行代码编写的，但是需要连接一下云服务器，与 Linux进行同步。你也可以选择 vim。

基本框架：

将 data/input/ 所有后缀为 html 的文件筛选出来 ---- 清洗数据
然后对筛选好的html文件进行解析（去标签），拆分出标题、内容、网址 ---- 去标签
最后将去标签后的所有html文件的标题、内容、网址处理后，写入到 data/raw_html/raw.txt 下

什么是去标签呢？

举例 nano process.html 查看一下

对数据清洗之后，拿到的全都是 html 文件，此时还需要对 html 文件进行去标签处理，我们这里随便看一个html文件

退出 nano 的方法： Ctrl + X 。做了修改并且想要保存，输入 Y（是），不保存，直接按 N（否）然后回车

我们在 data目录下的 raw_html目录下创建有一个 raw.txt文件，用来存储干净的数据文档
<> : html的标签，这个标签对我们进行搜索是没有价值的，需要去掉这些标签，一般标签都是成对出现的！但是也有单独出现的，我们也是不需要的。

采用下面的方案：

写入文件中，一定要考虑下一次在读取的时候，也要方便操作!
类似：title\3content\3url \n title\3content\3url \n title\3content\3url \n ...
方便我们getline(ifsream, line)，直接获取文档的全部内容：title\3content\3url
文件内按照 \3 作为分割符，每个文件再按照 \n 进行区分

note: vim 下的中文注释：ctrl+space

编码

在 Boost_Searcher 目录下创建 parser.cpp 文件开始编写框架

三步走：

第⼀步EnumFile(src_path, &files_list): 递归式的把每个html⽂件名带路径，保存到文件 files_list中，⽅便后期进⾏⼀个⼀个的⽂件进⾏读取（预处理
第⼆步ParseHtml(files_list, &results): 按照files_list读取每个⽂件，并进⾏解析
第三步SaveHtml(results, output): 把解析完毕的各个⽂件内容，写⼊到output,按照\3作为每个⽂档的分割符

#include <iostream>
#include <string>
#include <vector>
 
// 首先我们肯定会读取文件，所以先将文件的路径名 罗列出来
// 将 数据源的路径 和 清理后干净文档的路径 定义好
 
 
const std::string src_path = "data/input";          // 数据源的路径
const std::string output = "data/raw_html/raw.txt"; // 清理后干净文档的路径
 
//DocInfo --- 文件信息结构体
typedef struct DocInfo
{
    std::string title;   //文档的标题
    std::string content; //文档的内容
    std::string url;     //该文档在官网当中的url
}DocInfo_t;
 
// 命名规则
// const & ---> 输入
// * ---> 输出
// & ---> 输入输出
 
 
//把每个html文件名带路径，保存到files_list中
bool EnumFile(const std::string &src_path, std::vector<std::string> *files_list);
 
//按照files_list读取每个文件的内容，并进行解析
bool ParseHtml(const std::vector<std::string> &files_list, std::vector<DocInfo_t> *results);
 
//把解析完毕的各个文件的内容写入到output
bool SaveHtml(const std::vector<DocInfo_t> &results, const std::string &output);
 
 
 
int main()
{
    std::vector<std::string> files_list; // 将所有的 html文件名保存在 files_list 中
 
    // 第一步：递归式的把每个html文件名带路径，保存到files_list中，方便后期进行一个一个的文件读取
 
    // 从 src_path 这个路径中提取 html文件，将提取出来的文件存放在 string 类型的 files_list 中
    if(!EnumFile(src_path, &files_list)) //EnumFile--枚举文件
    {
        std::cerr << "enum file name error! " << std::endl;
        return 1;
    }
    return 0;
 
    // 第二步：从 files_list 文件中读取每个.html的内容，并进行解析
 
     std::vector<DocInfo_t> results;
     // 从 file_list 中进行解析，将解析出来的内容存放在 DocInfo 类型的 results 中
    if(!ParseHtml(files_list, &results))//ParseHtml--解析html
    {
        std::cerr << "parse html error! " << std::endl;
        return 2;
    }
 
 
    // 第三部：把解析完毕的各个文件的内容写入到output，按照 \3 作为每个文档的分隔符
 
    // 将 results 解析好的内容，直接放入 output 路径下
    if(!SaveHtml(results, output))//SaveHtml--保存html
    {
        std::cerr << "save html error! " << std::endl;
        return 3;
    }
 
    return 0;
}

主要实现：枚举文件、解析html文件、保存html文件三个工作。

这三个工作完成是需要我们使用boost库当中的方法的，我们需要安装一下boost的开发库：

通过如上命令，我是已经安装过啦~

下图就是我们接下来编写代码需要用到的 boost库当中的 filesystem方法。

1.枚举文件 EnumFile

使用 boost 枚举文件名

//在原有的基础上添加这个头文件
#include <boost/filesystem.hpp>
 
//把每个html文件名带路径，保存到files_list中
bool EnumFile(const std::string &src_path, std::vector<std::string> *files_list)
{
    // 简化作用域的书写
    namespace fs = boost::filesystem;
    fs::path root_path(src_path); // 定义一个path对象，枚举文件就从这个路径下开始
    // 判断路径是否存在
    if(!fs::exists(root_path))
    {
        std::cerr << src_path << " not exists" << std::endl;
        return false;
    }
    // 对文件进行递归遍历
    fs::recursive_directory_iterator end; // 定义了一个空的迭代器，用来进行判断递归结束  -- 相当于 NULL
    for(fs::recursive_directory_iterator iter(root_path); iter != end; iter++)
    {
        // 判断指定路径是不是常规文件，如果指定路径是目录或图片直接跳过
        if(!fs::is_regular_file(*iter))
        {
            continue;
        }
 
        // 如果满足了是普通文件，还需满足是.html结尾的
        // 如果不满足也是需要跳过的
        // ---通过iter这个迭代器（理解为指针）的一个path方法（提取出这个路径）
        // ---然后通过extension()函数获取到路径的后缀
        if(iter->path().extension() != ".html")
        {
            continue;
        }
 
        //std::cout << "debug: " << iter->path().string() << std::endl; // 测试代码
      
        // 走到这里一定是一个合法的路径，以.html结尾的普通网页文件
        files_list->push_back(iter->path().string()); // 将所有带路径的html保存在files_list中，方便后续进行文本分析
    }
    return true;
}

makefile 中连接 boost 库

查看对外部库的连接：

运行：

成功提取出了 html 文件~
测试成功后，将测试代码注释掉哦！
运行测试成功，继续编写下一个模块

2.去标签ParseHtml()

解析html文件

读取刚刚枚举好的文件
解析html文件中的title
解析html文件中的content
解析html文件中的路径，构建url

函数建构

bool ParseHtml(const std::vector<std::string> &files_list, std::vector<DocInfo_t> *results)
{
    for(const std::string &file : files_list)
    {
        // 1.读取文件，Read()
        std::string result;
        if(!ns_util::FileUtil::ReadFile(file, &result))
        {
            continue;
        }
        // 2.解析指定的文件，提取title
        DocInfo_t doc;
        if(!ParseTitle(result, &doc.title))
        {
            continue;
        }
        // 3.解析指定的文件，提取content
        if(!ParseContent(result, &doc.content))
        {
            continue;
        }
        // 4.解析指定的文件路径，构建url
        if(!ParseUrl(file, &doc.url))
        {
            continue;        
        }
 
        // 到这里，一定是完成了解析任务，当前文档的相关结果都保存在了doc里面
        results->push_back(std::move(doc)); // 本质会发生拷贝，效率肯能会比较低，这里我们使用move后的左值变成了右值，去调用push_back的右值引用版本
    }
    return true;                                                                                                                                                                                                                                                    
}

主要完成 4件事：

①根据路径名依次读取文件内容，②提取title，③提取content，④构建url。

2.1读取文件ReadFile()

遍历 files_list 中存储的文件名，从中读取文件内容到 result 中，由函数 ReadFile() 完成该功能。该函数定义于头文件 util.hpp的类 FileUtil中。

#pragma once
#include <iostream>
#include <string>
#include <fstream>
#include <vector>
 
namespace ns_util
{
    class FileUtil
    {                                                                                                                                                                                                                                                                                                                                                                        
    public:
        static bool ReadFile(const std::string &file_path, std::string *out)
        {
            std::ifstream in(file_path, std::ios::in);
            if(!in.is_open())
            {
                std::cerr << "open file " << file_path << " error" << std::endl;
                return false;
            }
            std::string line;
            while(std::getline(in, line)) 
//如何理解getline读取到文件结束呢？？getline的返回值是一个&，while(bool), 本质是因为重载了强制类型转化
            {
                *out += line;
            }
            in.close();
            return true;
        }
    };
}

⭕ 重点理解：C++的流读取 && getline 的使用

2.2 提取title —— ParseTitle()

可以发现<title>标题</title> 构成的
find（<title>）就能找到这个标签的左尖括号的位置
然后加上<title>的长度，此时就指向了标题的起始位置
同理，再去找到</title>的左尖括号，最后截取子串；

这里需要依赖函数 —— bool ParseTitle(const std::string& file,&doc.title)，

//解析title
static bool ParseTitle(const std::string& file,std::string* title)
{
    // 查找 <title> 位置
    std::size_t begin = file.find("<title>");
    if(begin == std::string::npos)
    {
        return false;
    }
    // 查找 </title> 位置
    std::size_t end = file.find("</title>");
    if(end == std::string::npos)
    {
        return false;
    }
    
    // 计算中间的距离，截取中间的内容
    begin += std::string("<title>").size();
    if(begin > end)
    {
        return false;
    }
    *title = file.substr(begin, end - begin);
    return true;
}

2.3 提取content--ParseContent()

用一个简易的状态机来完成，状态机包括两种状态：LABLE(标签)和CONTENT(内容)；

起始肯定是标签，我们逐个字符进行遍历判断
如果遇到“>”，表明下一个即将是内容了，我们将状态机置为CONTENT，接着将内容保存起来
如果此时遇到了“<”，表明到了标签了，我们再将状态机置为LABLE；
不断的循环，知道遍历结束；

//去标签 -- 数据清洗
static bool ParseContent(const std::string& file,std::string* content)
{
     //去标签，基于一个简易的状态机
    enum status // 枚举两种状态
    {                                                                                                                                                                                 
        LABLE,   // 标签
        CONTENT  // 内容
    };
    enum status s = LABLE;  // 刚开始肯定会碰到 "<" 默认状态为 LABLE
    for(char c : file)
    {
        // 检测状态
        switch(s)
        {
            case LABLE:
                if(c == '>') s = CONTENT;
                break;
            case CONTENT:
                if(c == '<') s = LABLE;
                else 
                {
                    // 我们不想保留原始文件中的\n，因为我们想用\n作为html解析之后的文本的分隔符
                    if(c == '\n') c = ' ';
                    content->push_back(c);
                }
                break;
            default:
                break;
        }
    }
    return true;
}

2.4 解析 html 的 url

boost库 在网页上的 url，和我们 下载的文档的路径 是 有对应关系的

探寻官方文档路径和我们路径的关系，以 Accumulators.html 为例

在我们路径下的查找

在 input 中

我们之前已经定义好了两个路径嘛！源数据路径 和 清理后干净文档的路径

1. 拿官网的部分网址作为头部的 url

url_head = "https://www.boost.org/doc/libs/1_86_0/doc/html"

2. 将我们项目的路径 data/input 删除后得到 /accumulators.html；

url_tail = [data/input(删除)] /accumulators.html -> url_tail = /accumulators.html;

3. 将 url_head + url_tail == 官网的 url

//构建官网url :url_head + url_tail
static bool ParseUrl(const std::string& file_path,std::string* url)
{
    std::string url_head = "https://www.boost.org/doc/libs/1_85_0/doc/html";    
    std::string url_tail = file_path.substr(src_path.size());//将data/input截取掉    
    *url = url_head + url_tail;//拼接
    return true;
}

到这里我们写的 ParseHtml 解析部分就已经写完啦，那定是我们要先测试一下它的正确性啦！

测试

向源代码中加入了 ShowDoc 测试代码，测试完注释掉即可

// for debug
void ShowDoc(const DocInfo_t& doc)
{
    std::cout<<"title: "<<doc.title<<std::endl;
    std::cout<<"content: "<<doc.content<<std::endl;
    std::cout<<"url: "<<doc.url<<std::endl;
}
 
//按照files_list读取每个文件的内容，并进行解析
bool ParseHtml(const std::vector<std::string> &files_list, std::vector<DocInfo_t> *results)
{
    // 首先在解析文件之前，肯定需要 遍历 读取文件
    for(const std::string &file : files_list)
    {
        // 1.读取文件，Read() --- 将文件的全部内容全部读出，放到 result 中
        std::string result;
        if(!ns_util::FileUtil::ReadFile(file, &result))
        {
            continue;
        }
        // 2.解析指定的文件，提取title
        DocInfo_t doc;
        if(!ParseTitle(result, &doc.title))
        {
            continue;
        }
        // 3.解析指定的文件，提取content
        if(!ParseContent(result, &doc.content))
        {
            continue;
        }
        // 4.解析指定的文件路径，构建url
        if(!ParseUrl(file, &doc.url))
        {
            continue;        
        }
 
        // 到这里，一定是完成了解析任务，当前文档的相关结果都保存在了doc里面
 
        results->push_back(std::move(doc)); // 本质会发生拷贝，效率肯能会比较低，这里我们使用move后的左值变成了右值，去调用push_back的右值引用版本
 
        // for debug  -- 在测试的时候，将上面的代码改写为 results->push_back(doc);
        ShowDoc(doc);
        break;  // 只截取一个文件打印
    }
        return true;
}

接下来就可以 make ，然后运行：

为了进一步验证正确性，我们可以将网页复制下来，在浏览器中打开，看是否成功

成功ヾ(≧▽≦*)o

对于项目写有一个重点，就是做好对错误的处理~

遇见的一个小问题：

之前的服务器 free -h 查看后发现，在 vscode 下内存有点不够用，然后换了一台朋友的服务器

所以要传一下之前写的文件

使用SCP命令在两台Linux服务器之间传输文件

适用场景

当你需要将大文件从一台服务器直接传输到另一台服务器，而不想通过本地中转时，可以使用scp（secure copy）命令。

命令格式

scp -r [源文件路径] [目标用户名]@[目标IP]:[目标路径]

-r：递归复制整个目录。
[源文件路径]：要传输的文件或目录的完整路径。
[目标用户名]：接收文件服务器上的用户名。
[目标IP]：接收文件服务器的IP地址。
[目标路径]：在接收方服务器上存放文件的路径。

示例

假设你要把位于/usr/local/testFile/目录下的所有内容复制到IP为100.10.20.30的目标服务器的/root/目录下，并且目标服务器的登录用户名是root，那么你可以运行以下命令：

scp -r /usr/local/testFile/* root@100.10.20.30:/root/

执行这个命令后，系统会提示你输入目标服务器的用户密码。

将scp任务放入后台执行

如果文件量很大，传输可能需要很长时间。为了不阻塞终端，可以将scp进程放到后台执行：

暂停任务：按下 Ctrl + Z 暂停当前正在执行的scp任务。
查看任务：使用 jobs 查看已暂停的任务及其编号。
后台继续执行：使用 bg %a 命令让任务在后台继续执行，其中a是jobs返回的任务编号。
再次检查状态：再次运行 jobs 可以看到任务现在处于“Running”状态，表示它正在后台执行。

这样，即使关闭终端窗口，文件传输也会继续进行，直到完成。如果你想要终止后台任务，可以使用kill命令加上相应的进程ID。

请注意，在执行任何文件传输操作之前，请确保你有权限访问源和目标服务器，并且目标路径对于指定的用户是可写的。

松山湖开发者村综合服务平台

助力广东及东莞地区开发者，代码托管、在线学习与竞赛、技术交流与分享、资源共享、职业发展，成为松山湖开发者首选的工作与学习平台

更多推荐

通过Flink读写云原生数据仓库AnalyticDB PostgreSQL版（ADB PG）数据

松山湖开发者村综合服务平台

【Spark+Hive+hadoop】基于Spark+hadoop贴吧-微博热门交流平台数据分析舆情系统（完整系统源码+数据库+开发笔记+详细部署教程+虚拟机分布式启动教程）✅

松山湖开发者村综合服务平台

微软官方 .NET 混淆软件 Dotfuscator

松山湖开发者村综合服务平台

所有评论(0)

查看更多评论

mit6.824

@2301_80171004

已为社区贡献4条内容