当前位置：首页 > news >正文

[C++项目] Boost文档站内搜索引擎(1): 项目背景介绍、相关技术栈、相关概念介绍...

news 2026/4/13 0:51:00

|cover

项目背景

Boost库是C++中一个非常重要的开源库. 它实现了许多C++标准库中没有涉及的特性和功能, 一度成为了C++标准库的拓展库. C++新标准的内容, 很大一部分脱胎于Boost库中.

Boost库的高质量代码以及提供了更多实用方便的C++组件, 使得Boost库在C++开发中会被高频使用

为方便开发者学习使用, Boost库官网(boost.org)也提供了不同版本库组件的相关介绍文档, 但是Boost库的官网在相当长一段时间都是没有站内搜索的. 应该是近两个月左右才 实现了站内搜索 的功能:

但是, Boost库官网实现的站内搜索是全局的搜索, 很多时候大部分开发者只需要查看某个组件的文档用以学习.

此时使用Boost官方提供的站内搜索也是很不方便的, 而且也不支持选择版本来获取相关文档:

所以就有了本项目的出现, 为Boost库指定版本提供文档的站内搜索

搜索引擎相关`宏观原理`

我们每个人一定都使用过搜索引擎, 一般人常用的一定有: Bing、百度、Google…

使用搜索引擎搜索一定的内容, 出现的页面一般是这样的:

其中最主要的部分是这样的:

搜索引擎通常会将搜索到的内容, 以: 网页的标题(title)、网页的简单摘要(Content)、即将跳转到的网页的网址(url) 为一个单元的形式展现出来. 并且, 包含的搜索的 关键字会被高亮显示

其他搜索引擎也是大同小异:

那么, 搜索引擎是如何做这整个过程的呢?

首先要明白, 输入关键字点击搜索的这个行为, 其实是在创建并向服务器发送http/https请求的行为.

在客户端输入关键词, 点击搜索. 创建请求, 携带关键词向服务器发送请求.

服务器接收到请求之后, 根据关键词在服务器检索索引获取所有相关的html的内容, 然后将获取到的多个网页内容(title、content、url), 拼接构建成一个新的网页响应回客户端.

整个过程中最重要的过程在于: 检索索引

关于索引, 实际是一个帮助快速查找数据的数据结构. 根据关键词检索索引, 就是在数据结构中查找关键词相关的数据.

索引, 是在 搜索引擎服务启动之前服务器提前建立好的. 搜索引擎服务启动之后, 可以直接通过索引来检索数据.

搜索引擎索引的建立步骤一般是这样的:

爬虫程序爬取网络上的内容, 获取网页等数据
对爬取的内容进行解析、去标签, 提取文本、链接、媒体内容等信息
对提取的文本进行分词、处理, 得到词条
根据词条生成索引, 包括正排索引、倒排索引等

建立好索引之后, 搜索引擎服务就可以根据关键词检索索引获取相关数据.

这一整个流程, 即为 搜索引擎的相关宏观原理

大致的流程以及宏观原理图, 可以根据这一张图来理解

服务端需要做的第一个工作是爬取网页.

但是本项目中不需要, 因为是站内文档搜索, 官方提供的也有Boost库的相关源码文件, 其中就包括了Boost库的文档html文件.

`Boost`库源码下载

https://boostorg.jfrog.io/artifactory/main/release/

这是Boost库的源码发布页. 我们可以直接找到指定版本获取下载链接, 将文件下载到服务器中:

wget https://boostorg.jfrog.io/artifactory/main/release/1.82.0/source/boost_1_82_0.tar.gz

获取到源码压缩文件之后, 执行tar -zxvf boost_1_82_0.tar.gz解压

然后就获取了Boost库源码:

其中, 所有的文档html文件都在 doc//html/目录下:

|inline

统计了一下, 此目录下(包括子目录) 一共有8563个html文件, 这些都是Boost库提供的文档

`Boost`库站内文档搜索所需技术栈以及项目环境

技术栈:

后端: C/C++ C++11 STL Boost库 Jsoncpp cppjieba cpp-httplib
前端: html css js jQuery Ajax

项目环境:

Centos 7云服务器 neovim gcc(g++) makefile

清理分词和索引

实现一个搜索引擎, 最重要的地方在于 建立索引

建立索引, 就是建立 文档与关键词之间的的映射

清理文档文件

所以在建立索引之前, 要 先清理文档中对搜索无用的无效数据. 在html文件中, 无效数据就是html的各种标签:

<!-- 各种成对的标签 -->
<html></html>
<head></head>
<body></body>
<div></div>
<!-- 各种单独的标签 -->
<link>
<meta>
<img>

标签中, <和>之间的内容都是对搜索来说无效的内容. 而对于成对的标签来说 >和<之间的内容则是有效的内容.

简单点来说, 标签内部的数据是对搜索无效的数据, 标签外的数据是对搜索有效的数据.

简单的举例子:

<div><p class="copyright">Copyright © 2005, 2006 Eric Niebler</p></div>
<div class="toc">
<p><b>Table of Contents</b></p>

其他的都属于标签内的数据, 都是对搜索无效的, 因为浏览器不会将标签内的数据值渲染出来, 那是一些属性.

分词

清理完文档中对搜索无用的无效数据之后, 就可以对文档的内容 进行分词.

分词, 就是将一句话中可用作关键字的词语分割开, 比如:

博主买了一些小米和南瓜

分词就可能会分为: 博主 买 一些 小米 南瓜 小米和南瓜
博主做了小米南瓜粥吗

分词就可能会分为: 博主 做 小米 南瓜 南瓜粥 小米南瓜粥

将可用作关键词的词汇组合或分开并汇总, 停止词不考虑, 就是分词.

停止词, 就是搜索中没有明显作用的词: 了的吗呢 a the ...

索引

每个文件都有文件名也就是文件ID, 文件内容包含了关键词. 将文件名和关键词之间建立映射关系, 就是建立索引.

以下以两个文件为例

文件1: 博主买了一些小米和南瓜
文件2: 博主做了小米南瓜粥吗

正排索引

正排索引, 是 从文件ID找到文件关键词:

文件ID	内容关键词
文件1	`博主` `买` `一些` `小米` `南瓜` `小米和南瓜`
文件2	`博主` `做` `小米` `南瓜` `南瓜粥` `小米南瓜粥`

可以看作, 文件ID是Key 用于查找, 内容关键词是Value 是被找到的内容. 建立正排索引可以不对文件内容做分词

此项目中, 建立正派索引时不对文件内容做分词处理

倒排索引

与正排索引相反.

倒排索引, 是 从文件关键词找到文件ID. 并且, 会将所有文档中的关键词进行汇总去重:

关键词(唯一)	涉及的文件ID(文件权重)
`博主`	文件1、文件2
`买`	文件1
`一些`	文件1
`小米`	文件1、文件2
`南瓜`	文件1、文件2
`小米和南瓜`	文件1
`做`	文件2
`南瓜粥`	文件2
`小米南瓜粥`	文件2

可以看作, 关键词是Key 用于查找, 文件ID是Value 是被找到的内容.

项目中, 正排索引和倒排索引都需要建立并使用.

模拟整个查找到检索索引再到响应的流程:

输入关键词 --> “博主” --> 先在倒排索引检索 --> 获取"文件1""文件2"文件ID --> 再根据获取的文件ID在正排索引中检索 --> 检索到相关文件的文件内容(title、content、url) --> 根据内容构建新网页 --> 响应新网页

本片文章介绍了项目背景, 从下一篇文章开始开始编写项目代码

感谢阅读~

[C++项目] Boost文档站内搜索引擎(1): 项目背景介绍、相关技术栈、相关概念介绍...

项目背景 Boost库是C中一个非常重要的开源库. 它实现了许多C标准库中没有涉及的特性和功能, 一度成为了C标准库的拓展库. C新标准的内容, 很大一部分脱胎于Boost库中. Boost库的高质量代码以及提供了更多实用方便的C组件, 使得Boost库在C开发中会被高频使用为方便开发者学…...

编程日记 2023/8/4 19:00:58

opencv-32 图像平滑处理-高斯滤波cv2.GaussianBlur()

在进行均值滤波和方框滤波时，其邻域内每个像素的权重是相等的。在高斯滤波中，会将中心点的权重值加大，远离中心点的权重值减小，在此基础上计算邻域内各个像素值不同权重的和。基本原理在高斯滤波中，卷积核中的值不…...

编程日记 2023/8/4 18:59:56

Windows 环境Kubernetes安装

目录前言安装 Docker 安装 Kubernetes Windows 安装 kubectl 介绍安装开启 Kubernetes 前言 Docker作为当前最流行的容器化平台，为Kubernetes提供了强大的容器化技术基础。Kubernetes与Docker的结合，使得容器化应用程序在大规模集群中得以简…...

编程日记 2023/8/4 18:58:54

自建类ChatGPT服务：本地化部署与远程访问教程

🌷🍁 博主猫头虎带您 Go to New World.✨🍁 🦄 博客首页——猫头虎的博客🎐 🐳《面试题大全专栏》文章图文并茂🦕生动形象🦖简单易学！欢迎大家来踩踩~🌺 &a…...

编程日记 2023/8/4 18:57:53

常用SQL语句总结

SQL语句文章目录 SQL语句1 SQL语句简介2 DQL（数据查询语句）3 DML（数据操纵语句）4 DDL（数据定义语句）5 DCL（数据控制语句）6 TCL（事务控制语句） 1 SQL语句简介…...

编程日记 2023/8/4 18:56:52

arm交叉编译lmbench

一、下载lmbench www.bitmover.com/lmbench 官网下载，http://www.bitmover.com/lmbench/lmbench3.tar.gz 我没有下载下来，找的别人的百度云下载链接: https://pan.baidu.com/s/1tGo1clCqY-jQPN8G1eWSsg 提取码: f6jd 二、修改makefile 修改三个文件…...

编程日记 2023/8/4 18:55:50

ExtJs 7.7.0 下载方法与去除trial水印

背景最近发现Sencha ExtJs发布了ExtJs7.7.0版本，立刻下载了SDK包，许多朋友不知如何下载，如何去除右上角的trial水印。本文讲下相关下载技巧与方法。下载SDK 首先需要申请试用，申请地址如下，需要注意可能需要梯子&…...

编程日记 2023/8/4 18:54:49

Android11开发规划

文章目录规划总结规划提示：这里可以添加本文要记录的大概内容：从本文开始，会介绍如何移植瑞芯微提供的Android11源码到自己的RK3568的板子上下面是整个Android开发的规划：包括以下部分： … 一、移植部分下载编译瑞芯微提供的源码瑞芯微原厂源码目录介绍...

编程日记 2023/8/4 18:53:48

活动隔断在现在酒店运用的方式

活动隔断是一种在酒店内部划分空间的方式，用于实现不同活动的隔离和隐私。现代酒店常用的活动隔断方式有以下几种： 1. 固定隔断：使用墙体、固定屏风或者板材等材料，将空间划分为不同的房间或区域。这种方式常用于划分客房、会议室…...

编程日记 2023/8/4 18:52:45

Jenkins工具系列 —— 插件钉钉发送消息

文章目录安装插件 Ding TalkJenkins 配置钉钉机器人钉钉APP配置项目中启动钉钉通知功能安装插件 Ding Talk 点击左侧的 Manage Jenkins —> Plugins ——> 左侧的 Available plugins Jenkins 配置钉钉机器人点击左侧的 Manage Jenkins ，拉到最后钉…...

编程日记 2023/8/4 18:51:44

LeetCode 26 题：删除有序数组的重复项

思路在写这一个题时，我突然想到了Python中的 set（）函数可能会有大用处，便选择了用Python写。 set（）函数可以将列表转化为集合，集合会保证元素的单一性，所以会自动删去相同字符。 …...

编程日记 2023/8/4 18:50:42

优雅地切换node版本（windows）

文章目录 1、下载并安装nvm2、nvm的使用3、处理npm版本与nodejs版本不匹配问题（通常不会有这个问题） 1、下载并安装nvm 卸载已安装的node：控制面板-程序-找到node并卸载通常在控制面板中卸载后，nodejs目录、环境变量、注册表就自…...

编程日记 2023/8/4 18:49:41

反诈：吴明军、黄亮领导的WIN生活资金盘，大家警惕防范此类诈骗

消息已经证实！“米粒”无法变现，数以万计的会员深套“315万民商城”，维权艰难，血汗钱无法讨回。其实这一点笔者并不感到太意外，因为万民商城资金传销盘的定性之前就已经发文揭露过，并反复提醒大家小心警惕…...

编程日记 2023/8/4 18:48:39

shell、bash的关系及bash的特性（一）

一、概念 shell是壳，是运行在终端中的文本互动程序。Shell相当于是一个翻译，把我们在计算机上的操作命令，翻译为计算机可识别的二进制命令，传递给内核，以便调用计算机硬件执行相关的操作；同时，计…...

编程日记 2023/8/4 18:47:38

ubuntu 14.04源更新(sources.list) deb http://mirrors.aliyun.com/ubuntu/ trusty main restricted universe multiverse deb http://mirrors.aliyun.com/ubuntu/ trusty-security main restricted universe multiverse deb http://mirrors.aliyun.com/ubuntu/ trusty-update…...

编程日记 2023/8/4 18:46:36

项目背景

搜索引擎相关宏观原理

Boost库源码下载

Boost库站内文档搜索 所需技术栈 以及 项目环境

清理 分词 和 索引