搜尋引擎技術核心揭密 PHP

搜尋引擎技術核心揭密(php)

談到網頁搜尋引擎時，大多數人都會想到雅虎。的確，雅虎開創了乙個網際網路絡的搜尋時代。然而，雅虎目前用於搜尋網頁的技術卻並非該公司原先自己開發的。2023年8月，雅虎採用了google（

www.google.com

）這家由史丹福大學學生建立的風險公司的技術。理由非常簡單，google的搜尋引擎比雅虎先前使用的技術能更快、更準確搜尋到所需要的資訊。

讓我們自己來設計、開發乙個強勁、高效的搜尋引擎和資料庫恐怕短時間內在技術、資金等方面是不可能的，不過，既然雅虎都在使用別人的技術，那麼我們是不是也可以使用別人現成的搜尋引擎**呢？

剖析程式設計思路

我們可以這樣設想：模擬乙個查詢，向某個搜尋引擎**發出相應格式的搜尋命令，然後傳回搜尋結果，對結果的html**進行分析，剝離多餘的字元和**，最後按所需要的格式顯示在我們自己的**頁面裡。

這樣，問題的關鍵就在於，我們要選定乙個搜尋資訊準確（這樣我們的搜尋才會更有意義啊）、速度快（因為我們分析搜尋結果並顯示需要額外的時間），搜尋結果簡潔（便於進行html源**分析和剝離）的搜尋**，由於新一代搜尋引擎google的各種優良特性，這裡我們選擇它為例，來看看用php怎樣實現後台對google(

www.google.com

)搜尋、前台個性化顯示這一過程。

我們先來看看google的查詢命令的構成。進入

www.google.com

="，可見，google是通過表單的get方式來傳遞查詢引數並遞交查詢命令的。我們可以使用php中的file()函式來模擬這個查詢過程。

了解file（）函式

語法: array file(string filename);

返回值為陣列，將檔案全部讀入陣列變數中。這裡的檔案可以是本地的，也可以是遠端的，遠端檔案必須指明所使用的協議。例如： result=file(「

=」)，該語句將模擬我們在google上查詢單詞「abcd」的過程，並將搜尋結果以每行為元素，傳回到陣列變數 result中。因為這裡讀取的檔案是遠端的，所以協議名「http://」不能缺少。

如果要讓使用者輸入搜尋字元進行任意搜尋，我們可以做乙個輸入文字框和提交按鈕，並將上文中的被搜尋字元「abcd」用變數替換：

<?php

echo '';

if (isset( keywords)) //提交後php會生成變數 kwywords,即要求下面的程式在提交後執行

上面的這段程式已經能按使用者輸入內容進行查詢，並將返回的結果合成乙個字串變數$result_string。請注意要使用urlencode()函式將使用者輸入內容進行url編碼，才可以正常地對輸入的漢字、空格以及其他特殊字元進行查詢，這樣做也是盡可能逼真地模擬google的查詢命令，保證搜尋結果的正確性。

對google的分析

為了便於理解，現在假設我們所真正需要的東西是：搜尋結果的標題。**和簡介等，這是乙個簡潔而典型的需求。這樣，我們所要做的便是：去除google搜尋結果的臺頭和腳注，包括乙個google的標誌、再次搜尋的輸入框和搜尋結果說明等，並且在剩餘的搜尋結果各項條目中剝離原來的html格式標記，替換成我們想要的格式。

要做到這一點，我們必須仔細地分析google搜尋結果的html原始碼，找到其中的規律。不難發現，在google的搜尋結果的正文總是包含在原始碼的第乙個標記和倒數第二個標記之間，並且倒數第二個標記後緊跟table字元，而且這個組合「

以下所有程式均依次接續在上文程式的「進一步處理」處。

result_string = strstr( result_string, ""); //取 result_string從第乙個開始後的字串，以去除google臺頭

position= strpos( result_string,"table符號的位置

result_string= substr( result_string,0, position);//擷取第乙個table符號之前的字串,以去除腳注

應用與實現

ok，現在我們已經得到有用的html原始碼主幹了，剩下的問題是如何自主地顯示這些內容。我們再分析一下這些搜尋結果條目，發現每個條目之間也是很有規律的用

分隔，也就是各成乙個段落，按這個特點我們用explode()函式把每個條目切開：

語法：explode(string separator, string string);

返回乙個陣列，按separator切開後的各個小字串被儲存在陣列中。

於是：

result_array=explode("", result_string); //用字串""把結果切開

我們就得到乙個陣列 result_array，其中每個元素都是乙個搜尋結果條目。我們所要做的僅僅是研究每個條目及其html顯示格式**，然後按要求替換就行了。下面用迴圈來處理 result_array中的每個條目。

for( i=0; i

對於每個條目，我們也很容易找到一些特點：每個條目都由標題、摘要、簡介、類別、**等組成，每個部分都換行，即包含

標記，於是再次分割：（以下處理程式放在上文的迴圈中）

every_item=explode("

", result_array[ i]);

這樣就修改了鏈結屬性，其餘很多顯示格式的修改、剝離、替換都能用正則替換eregi_replace()來完成。

至此我們已經得到了每個搜尋條目的每一項，並能任意修改每項的格式，甚至可以給他套上漂亮的**。然而乙個好的程式應該能適應各種執行環境的，這裡也不例外，我們其實還只是討論了搜尋結果的html剝離的一種框架方法，真正要做得完美，還要考慮很多內容，比如要顯示一共搜尋出多少結果，分成多少頁等等，甚至還可以刨除與google相關的那些「類別」、「簡介」等**，讓客戶根本看不到原始**。不過這些內容和要求我們都能通過分析html進行剝離得到。現在大家完全能自己動手，做個極富個性化的搜尋引擎啦。

搜尋引擎技術核心揭密 PHP

搜尋引擎技術核心揭密 PHP

搜尋引擎技術核心揭密 PHP

搜尋引擎技術核心揭密 PHP版

相關推薦