BOOST_SREATCH

BOOST

Boost是一个由C++社区开发的开源库，为C++语言标准库提供扩展。这个库由C++标准委员会库工作组成员发起，旨在提供大量功能和工具，帮助C++开发者更高效地编写代码。Boost库强调跨平台性和对标准C++的遵循，因此与编写平台无关，是C++标准化进程的重要开发引擎之一。

但是BOOST没有站内的搜索引擎，我们在使用想快速查找信息的时候十分不方便，所以我们自己动手实现一个。

技术栈与项目环境

技术栈：

• 用C/C++作为主要编程语言，并利用STL中的容器等功能
• cpp-httplib：轻量级HTTP库，用于构建HTTP服务器和处理HTTP请求
• cppjieba：中文分词工具，用于对查询词和文档进行分词处理。
• HTML/CSS：用于前端开发，构建用户搜索界面和展示搜索结果。

项目环境：

• CentOS7云服务器，作为项目的运行环境
• vim/gcc/g++/Makefile：代码编辑、构建

搜索引擎的原理

正排索引（Forward Index）

正排索引是以文档的ID为关键字，表中记录文档中每个词的位置信息。

文档ID	文档内容
1	张三在吃饭
2	张三在买东西

索引的ID和文档的内容是一一对应的，记录了文档中出现的关键词及其出现次数和位置信息。正排索引的优势在于可以快速地查找某个文档里包含哪些词项，但不适用于查找包含某个词项的文档有哪些。

倒排索引（Inverted Index）

倒排索引是以词为关键字的索引结构，表中记录了出现这个词的所有文档的ID和位置信息，或者记录了这个词在哪些文档的哪些位置出现过，以及出现多少次。

关键字(具有唯一性)	文档ID，weight(权重)
张三	文档1,文档2
吃饭	文档1
买东西	文档2

查找过程: 用户输入张三-> 倒排索引->提取文档ID(1,2)->根据正排索引->找到文档的内容 ->title +conent(desc)+url 文档结果进行摘要 ->构建响应结果

项目实现

数据部分

在boost官网把boost的内容下载下来，并在CentOS7下解压。

创建一个data的目录，把boost_1_83_0/doc/html/data拷贝到data目录下的input中来，此时data/input就是我们的数据源。

去标签与数据清洗Parser

上面说到的data/input数据源中我们随便打开一个html文件

可以看到我们需要的是文档中的内容，所以需要把标签去掉，写入到raw_html目录中。

typedef struct DocInfo
{std::string title;   // 文档的标题std::string content; // 文档的内容 --body里面有内容信息std::string url;     // 该文档在官网中的url
} DocInfo_t;int main()
{std::vector<std::string> files_list;// 1.递归式的把每个html文件命带路径,保存到files_list中// 方便后期进行一个一个文件的读取if (!EnumFile(src_path, &files_list)){std::cerr << "euum file name error!" << std::endl;return 1;}// 2.按照files_list 读取每个文件的内容,并进行解析std::vector<DocInfo_t> results; // 解析后的结果存放在results中if (!ParseHtml(files_list, &results)){std::cerr << "parse html error" << std::endl;return 2;}// 3.把解析完毕的各个文件内容,写入到output中,按照\3作为分隔符if (!SaveHtml(results, output)){std::cerr << "sava html error" << std::endl;return 3;}return 0;
}

遍历数据源下所有以 .html 扩展名的文件路径，然后将这些路径存储在一个files_list中。

bool EnumFile(const std::string &src_path, std::vector<std::string> *files_list)
{namespace fs = boost::filesystem; // 给boost命名空间起别名fs::path root_path(src_path);if (!fs::exists(root_path)) // 路径不存在直接退出{std::cerr << src_path << "not exists" << std::endl;return false;}// 定义一个迭代器来判断递归的结束fs::recursive_directory_iterator end;// 遍历文件路径for (fs::recursive_directory_iterator iter(root_path); iter != end; iter++){// 判断是不是普通文件if (!fs::is_regular_file(*iter)){continue;}// 判断文件名的后缀是否符合要求if (iter->path().extension() != ".html"){continue;}files_list->push_back(iter->path().string()); // 把带路径的html保存在files_list中}return true;
}

从files_list的HTML文件列表中解析信息，提取titile、continue并构建URL到一个个DocInfo_t中。

bool ParseHtml(const std::vector<std::string> &files_list, std::vector<DocInfo_t> *results)
{for (const std::string &file : files_list){std::string result;// 读文件if (!ns_util::FileUtil::ReadFile(file, &result)){continue;}DocInfo_t doc;// 解析文件,提取titleif (!ParseTitle(result, &doc.title)){continue;}// 解析文件,提取continue--去标签if (!ParseContent(result, &doc.content)){continue;}// 解析文件路径,构建urlif (!ParseUrl(file, &doc.url)){continue;}// 完成解析任务,解析结果保存在doc中results->push_back(std::move(doc)); // 减少拷贝}return true;
}//<title> 我们要的内容 <title>
static bool ParseTitle(const std::string &file, std::string *title)
{std::size_t begin = file.find("<title>");if (begin == std::string::npos){return false;}std::size_t end = file.find("</title>");if (end == std::string::npos){return false;}begin += std::string("<title>").size(); if (begin > end){return false; }*title = file.substr(begin, end - begin);return true;
}/*<td align="center"><a href="../../../index.html">Home</a></td>
<td align="center"><a href="../../../libs/libraries.htm">Libraries</a></td>
<td align="center"><a href="http://www.boost.org/users/people.html">People</a></td>
<td align="center"><a href="http://www.boost.org/users/faq.html">FAQ</a></td>
<td align="center"><a href="../../../more/index.htm">More</a></td>*/
//上面的标签都清洗掉
/*<div class="titlepage"><div><div><h2 class="title" style="clear: both">
<a name="array.ack"></a>Acknowledgements</h2></div></div></div>
<p>Doug Gregor </p>*/
//标签中的Acknowledgements 、Doug Gregor保留下来
static bool ParseContent(const std::string &file, std::string *content)
{//状态机enum status{LABLE,CONTENT};enum status s = LABLE; // 默认为LABLE状态for (char c : file) //以字符方式遍历file{switch (s){case LABLE:if (c == '>') // 碰到>就意味着标签处理完毕s = CONTENT;break;case CONTENT:if (c == '<')  //碰到<就意味着内容处理完毕s = LABLE;else{// 不保留原始文件的\n, \n用来做html解析之后的文本分割符if (c == '\n')c = ' ';content->push_back(c);}break;default:break;}}return true;
}/* 
boost库的官方文档和下载下来的文档是有路径对应关系的
//官网URL
https://www.boost.org/doc/libs/1_83_0/doc/html/accumulators.html
//linux中URL
data/input/accumulators.html//下载下来的boost库url_head ="https://boost.org/doc/libs/1_83_0/doc/html/"
url_tail= data/input/accumulators.html data/input(删除)--> /accumulators.html
url = url_head + url_tail  //相当于一个官网连接 */static bool ParseUrl(const std::string &file_path, std::string *url)
{std::string url_head = "https://www.boost.org/doc/libs/1_83_0/doc/html";std::string url_tail = file_path.substr(src_path.size()); //subsrt去掉data/input*url = url_head + url_tail;return true;
}

将一组DocInfo_t类型的数据也就是上面解析出来的内容保存到output中。

#define SEP '\3' //分割符号
bool SaveHtml(const std::vector<DocInfo_t> &results, const std::string &output)
{// 二进制写入--写入什么文档保存就是什么std::ofstream out(output, std::ios::out | std::ios::binary); if (!out.is_open()){std::cerr << "open " << output << "failed" << std::endl;return false;}//title\3content\3url \n  title\3content\3url \n ....//方便getline(ifsream,line)直接获取文档全部内容 title\3content\3url(getline以\n结束) for (auto &item : results){std::string out_string;out_string = item.title;out_string += SEP;out_string += item.content;out_string += SEP;out_string += item.url;out_string += '\n'; // 文档和文档之间的分隔out.write(out_string.c_str(), out_string.size());}out.close();return true;
}

索引Index

对清洗过的内容构建正排、倒排索引

struct DocInfo
{ std::string title;   //文档的标题std::string content; //文档对应的去标签之后的内容std::string url;     //官网文档urluint64_t doc_id;     //文档的ID,用uint64_t:为了防止索引越界
};//倒排结构
struct InvertedElem
{    uint64_t doc_id;//对应的文档idstd::string word;//关键字int weight; //权重  可以根据权重决定文档显示的先后顺序InvertedElem():weight(0){}
};typedef std::vector<InvertedElem> InvertedList;// 倒排拉链
//单例模式
class Index 
{
private:std::vector<DocInfo> forward_index;// 正排拉链//存放关键字和倒排拉链的映射关系std::unordered_map<std::string, InvertedList> inverted_index; 
public:Index(){} //但是一定要有函数体，不能delete~Index(){}Index(const Index&) = delete;Index& operator=(const Index&) = delete;static Index* instance;//指向全局唯一的单例对象static std::mutex mtx;
public://获取全局唯一的单例对象static Index* GetInstance(){//第一次需要加锁,后面都不需要加锁的场景,可以使用双检查加锁//特点：第一次加锁,后面不加锁,保护线程安全,同时提高效率if(nullptr == instance){//加锁只有第一次有意义,后面再有线程来没必要加锁,加锁会引发效率低下mtx.lock();if(nullptr == instance){instance = new Index();}mtx.unlock();}return instance;//返回这个全局的单例对象}//根据文档id找到找到文档内容   DocInfo* GetForwardIndex(uint64_t doc_id) {    if(doc_id >= forward_index.size()) //没有该文档id{std::cerr << "doc_id out range, error!" << std::endl;return nullptr;}return &forward_index[doc_id]; //数组的下标天然就是文档id,所以直接返回数组对应的内容的地址}//根据关键字word，获得倒排拉链 InvertedList *GetInvertedList(const std::string &word){//在哈希表当中查找是否存在这个关键字对应的倒排拉链auto iter = inverted_index.find(word);if(iter == inverted_index.end()){std::cerr << word << " have no InvertedList" << std::endl;return nullptr;}return &(iter->second);}//根据文档内容构造索引,参数:经过数据清洗之后的文档bool BuildIndex(const std::string &input) {std::ifstream in(input, std::ios::in | std::ios::binary);if(!in.is_open()){ std::cerr << "build index error, open " << input << " failed" << std::endl;return false;}int count = 0;//方便观察当前建立的索引个数std::string line; //读取一行数据 //对每一个html文件格式化之后的内容进行正排和倒排索引while(std::getline(in, line)) {//建立正排索引,返回描述这个文档内容的节点DocInfo * doc = BuildForwardIndex(line); if(nullptr == doc){ std::cerr << "build " << line << " error" << std::endl; //for deubgcontinue;}BuildInvertedIndex(*doc);//根据上面返回的正排索引节点,建立倒排索引count ++;if(count % 150 == 0){LOG(NORMAL,"当前的已经建立的索引文档:"+std::to_string(count));}}return true;}
};

建立正排索引

    //line:就是一个html文件里面去标签,格式化之后的文档内容DocInfo *BuildForwardIndex(const std::string &line) {//1. 解析line->本质是进行字符串切分,解析成:title, content, url  std::vector<std::string> results;//保存切分好的内容const std::string sep = "\3";   //分隔符//切分字符串ns_util::StringUtil::Split(line, &results, sep);if(results.size() != 3)		//判断切分结果是否正确,要切分为3部分{ return nullptr;}//2. 切分好的字符串进行填充到DocIinfoDocInfo doc;doc.title = results[0]; //titledoc.content = results[1]; //contentdoc.url = results[2];   ///urldoc.doc_id = forward_index.size(); //3. 插入到正排索引数组当中forward_index.push_back(std::move(doc)); return &forward_index.back(); }

建立倒排索引

  bool BuildInvertedIndex(const DocInfo &doc)//建立倒排索引,参数是正排索引节点{//DocInfo里面包含一个html文件的:{title, content, url, doc_id}struct word_cnt //针对一个词的数据统计{   int title_cnt;//在标题出现次数int content_cnt;//在内容中出现次数word_cnt():title_cnt(0), content_cnt(0){}               };std::unordered_map<std::string, word_cnt> word_map; //暂存词频的映射表/* 根据文档标题和内容,分词并进行词频统计 *///对标题进行分词std::vector<std::string> title_words;ns_util::JiebaUtil::CutString(doc.title, &title_words);//对标题分词之后的结果进行词频统计for(std::string s : title_words){  boost::to_lower(s); //忽略大小写//查找对应关键词,如果存在就++，不存在就新建  word_map[s].title_cnt++; }//对内容进行分词std::vector<std::string> content_words;ns_util::JiebaUtil::CutString(doc.content, &content_words);//对内容进行词频统计for(std::string s : content_words) {boost::to_lower(s);//忽略大小写word_map[s].content_cnt++;}// 自定义相关性#define X 15  //标题当中出现的词,权重更高#define Y 1//建立倒排拉链for(auto &word_pair : word_map){InvertedElem item;item.doc_id = doc.doc_id;item.word = word_pair.first;//设置权重item.weight = X*word_pair.second.title_cnt                          							+Y*word_pair.second.content_cnt;  InvertedList& inverted_list = inverted_index[word_pair.first];inverted_list.push_back(std::move(item));}return true;}

搜索服务Searcher

前面的部分都是前期的准备工作，Searcher提供搜索服务，对用户输入的字符串进行分词，使用倒排索引查找与查询词相关的内容，并进行排序。

namespace ns_searcher
{struct InvertedElemPrint{uint64_t doc_id;                // 文档idint weight;                     // 累加权重std::vector<std::string> words; // 一个doc_id对应多个关键字InvertedElemPrint() : doc_id(0), weight(0){}};class Searcher{private:ns_index::Index *index; // 供系统进行查找的索引public:Searcher() {}~Searcher() {}void InitSearcher(const std::string &input){// 1. 获取或者创建index对象index = ns_index::Index::GetInstance();LOG(NORMAL, "获取index单例成功");// 2. 根据index对象建立索引index->BuildIndex(input);LOG(NORMAL, "建立正排和倒排索引成功...");}// 获取一部分内容std::string GetDesc(const std::string &html_content, const std::string &word){// 1.在html_content范围内,找word首次出现的位置auto cmp = [](char x, char y)  { return (std::tolower(static_cast<unsigned char>(x)) == std::tolower(static_cast<unsigned char>(y))); };  auto iter = std::search(html_content.begin(), html_content.end(),   word.begin(), word.end(), cmp);  if (iter == html_content.end()){return "None1";}int pos = iter - html_content.begin();// 2. 获取start,end的位置int start = 0;                     // 默认就是在文本的起始位置int end = html_content.size() - 1; // 默认是文本的结尾// 找到word在html_content中的首次出现的位置,然后往前找30字节,如果没有,就从	start开始// 往后找80字节如果没有,到end就可以的 ,然后截取出这部分内容const int prev_step = 30;const int next_step = 80;if (pos - prev_step > 0)start = pos - prev_step;if (pos + next_step < end)end = pos + next_step;// 3. 截取子串,然后returnif (start >= end)return "None2";// 从start开始,截取end - start个字节的内容std::string desc = html_content.substr(start, end - start);desc += "...";return desc;}// query:用户搜索关键字  json_string: 返回给用户浏览器的搜索结果void Search(const std::string &query, std::string *json_string){// 1.对query进行按照searcher的要求进行分词std::vector<std::string> words;ns_util::JiebaUtil::CutString(query, &words);// 2.就是根据分词的各个"词"，进行index索引查找std::vector<InvertedElemPrint> inverted_list_all; // 存放所有经过去重之后的倒排拉链// 根据doc_id进行去重,凡是id相同的倒排索引节点,其关键字都放在InvertedElemPrint的vector里面std::unordered_map<uint64_t, InvertedElemPrint> tokens_map;// 因为我们建立索引的时候,建立index是忽略大小写，所以搜索的时候关键字也需要忽略大小写for (std::string word : words){boost::to_lower(word); // 将切分之后的查找关键字转为小写// 先查倒排ns_index::InvertedList *inverted_list = index->GetInvertedList(word); // 通过关键字获得倒排拉链if (nullptr == inverted_list)                                         {continue; // 检测下一个关键词}for (const auto &elem : *inverted_list) // 遍历倒排拉链,合并索引节点{//[]:如果存在直接获取，如果不存在新建auto &item = tokens_map[elem.doc_id]; // 根据文档id获得其对应的关键字集合// 此时item一定是doc_id相同的倒排拉链打印节点item.doc_id = elem.doc_id;item.weight += elem.weight;      // 权值累加item.words.push_back(elem.word); // 把当前的关键字放到去重的倒排拉链打印节点当中的vector当中保存}}for (const auto &item : tokens_map) // 遍历去重之后的map{inverted_list_all.push_back(std::move(item.second)); // 插入倒排拉链打印节点到inverted_list_all}// 3.汇总查找结果，按照相关性(weight)进行降序排序auto cmp = [](const InvertedElemPrint &e1, const InvertedElemPrint &e2){return e1.weight > e2.weight;};std::sort(inverted_list_all.begin(), inverted_list_all.end(), cmp);// 4.根据查找出来的结果，构建json串 -- jsoncpp --通过jsoncpp完成序列化&&反序列化Json::Value root;for (auto &item : inverted_list_all){// item就是倒排索引打印节点ns_index::DocInfo *doc = index->GetForwardIndex(item.doc_id); // 根据文档id->查询正排,返回正排索引节点if (nullptr == doc){continue;}// doc里面就有title,url,content,文档id// 我们想给浏览器返回的是网页的title,内容摘要,链接Json::Value elem;elem["title"] = doc->title;//只需要一部分文档内容elem["desc"] = GetDesc(doc->content, item.words[0]);elem["url"] = doc->url;// for deubg, for deleteelem["id"] = (int)item.doc_id; // doc_id是uint64 ,json可能报错,所以转为intelem["weight"] = item.weight;  // doc_id,weight虽然是int,但是json会帮我们自动转为stringroot.append(elem);}// Json::StyledWriter writer; //为了方便调试观看Json::FastWriter writer;*json_string = writer.write(root);}};
}

http_server

监听HTTP请求，解析用户输入的参数，调用Searcher进行搜索，把给结果响应回给客户。

#include "cpp-httplib/httplib.h"
#include "searcher.hpp"//引入搜索引擎
const std::string input = "data/raw_html/raw.txt";//html文件经过parser之后存放的结果的路径 
const std::string root_path = "./wwwroot"; //wwroot作为服务器的主页int main()
{ns_searcher::Searcher search;search.InitSearcher(input);httplib::Server svr;svr.set_base_dir(root_path.c_str());svr.Get("/s", [&search](const httplib::Request &req, httplib::Response &rsp) {if (!req.has_param("word")){rsp.set_content("必须要有搜索关键字!", "text/plain; charset=utf-8");return;}std::string word = req.get_param_value("word");LOG(NORMAL,"用户在搜索："+word);std::string json_string;search.Search(word, &json_string);//返回给客户端rsp.set_content(json_string, "application/json"); });LOG(NORMAL,"服务器启动成功...");svr.listen("0.0.0.0", 8081);return 0;
}

工具util

//文件读取
class FileUtil{public:static bool ReadFile(const std::string &file_path, std::string *out){std::ifstream in(file_path, std::ios::in); // 读文件if (!in.is_open()){std::cerr << "open file" << file_path << "error" << std::endl;return false;}std::string line;// 为什么getline的返回值是流的引用&,while是bool,能进行判断呢？// 重载了强制类型转换while (std::getline(in, line)){*out += line;}in.close();return true;}};// 字符串切割class StringUtil{public:static void Split(const std::string &target, std::vector<std::string> *out, std::string sep){//  token_compress_on on:压缩打开 --将所有相连的分隔符压缩成一个         				aa\3\3\3\3\3bbb-->aa   bbb// off:压缩关闭boost::split(*out, target, boost::is_any_of(sep), boost::token_compress_on);}};//Jieba分词
// dict路径const char *const DICT_PATH = "./dict/jieba.dict.utf8";const char *const HMM_PATH = "./dict/hmm_model.utf8";const char *const USER_DICT_PATH = "./dict/user.dict.utf8";const char *const IDF_PATH = "./dict/idf.utf8";const char *const STOP_WORD_PATH = "./dict/stop_words.utf8";class JiebaUtil{private:// static cppjieba::Jieba jieba;cppjieba::Jieba jieba;std::unordered_map<std::string, bool> stop_words;private:JiebaUtil() : jieba(DICT_PATH, HMM_PATH, USER_DICT_PATH, IDF_PATH, STOP_WORD_PATH){}JiebaUtil(const JiebaUtil &) = delete;static JiebaUtil *instance;public:static JiebaUtil *get_instance(){static std::mutex mtx;if (nullptr == instance){mtx.lock();if (nullptr == instance){instance = new JiebaUtil();instance->InitJiebaUtil();}mtx.unlock();}return instance;}// 把暂停词加载进来void InitJiebaUtil(){std::ifstream in(STOP_WORD_PATH);if (!in.is_open()){LOG(FATAL, "load stop words file error");return;}std::string line;while (std::getline(in, line)){stop_words.insert({line, true});}in.close();}
/*去掉暂停词暂停词是对我们搜索没意义的词语，如：“的”、“地”、“吧”等*/void CutStringHelper(const std::string &src, std::vector<std::string> *out){jieba.CutForSearch(src, *out);for (auto iter = out->begin(); iter != out->end();){auto it = stop_words.find(*iter);if (it != stop_words.end()){ // 说明当前的string 是暂停词，需要去掉iter = out->erase(iter);}else{iter++;}}}public:static void CutString(const std::string &src, std::vector<std::string> *out){ns_util::JiebaUtil::get_instance()->CutStringHelper(src, out);// jieba.CutForSearch(src,*out);}};

log

#pragma once
#include<iostream>
#include<string>
#include<ctime>
#define NORMAL  1 
#define WARNING 2
#define DEBUG   3
#define FATAL   4
#define LOG(LEVEL,MESSAGE) log(#LEVEL,MESSAGE,__FILE__,__LINE__)void log(std::string level,std::string message,std::string file,int line)
{std::cout<<"["<<level<<"]"<<time(nullptr)<<"["<<message<<"]"<<"["<<file<<":"<<line<<"]"<<std::endl;
}

编写js

用原生js成本高,jQuery好
<script>function Search(){// 是浏览器的一个弹出框//alert("hello js!");// 1. 提取数据, $可以理解成就是JQuery的别称let query = $(".container .search input").val();console.log("query = " + query); //console是浏览器的对话框，可以用来进行查看js数据//2. 发起http请求,ajax: 属于一个和后端进行数据交互的函数，JQuery中的$.ajax({type: "GET",url: "/s?word=" + query,success: function(data){console.log(data);BuildHtml(data);}});}function BuildHtml(data){// if(data==''||data==ull)// {//     document.write("搜索不到");//     return;// }// 获取html中的result标签let result_lable = $(".container .result");// 清空历史搜索结果result_lable.empty();for( let elem of data){ let a_lable = $("<a>", {text: elem.title,href: elem.url,// 跳转到新的页面target: "_blank"});let p_lable = $("<p>", {text: elem.desc});let i_lable = $("<i>", {text: elem.url});let div_lable = $("<div>", {class: "item"});a_lable.appendTo(div_lable);p_lable.appendTo(div_lable);i_lable.appendTo(div_lable);div_lable.appenesult_lable);}}</script>

项目扩展

1. 建立整个站的搜索，把boost库的各个版本都进行正排倒排建立索引
2. 数据部分设计一个在线更新网页内容，利用爬虫，信号等进行设计
3. 添加整站搜索、竞价排名、热词统计等，进一步丰富项目的功能和用户体验。
4. 设计登录注册功能，引入mysql

遇到问题

1.存在搜索出相同的内容的问题

解决：在searcher模块用unordered_map对建立的倒排拉链进行去重。

2.查看权重值的时候发现对不上

原因：分词的时候会出现包含单词也会统计的情况，比如我搜sprlit，sprlitabc也会被搜到。

3.使用jieba库的时候出现找不到Log的错误

jieba的include下的头文件有方法，jieba/dict里有分词的库（具体怎么分词），我们采取链接的方式，jieba有一个问题就是需要把deps/limonp拷贝到include/cppjieba下，不然会报错找不到log