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**，在查詢欄中輸入「abcd」，點選查詢按鈕，我們可以發現瀏覽器的位址列變成：""，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：

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]);

這樣我們得到乙個陣列 every_item，其中 every_item[0]就是標題， every_item[1]和 every_item[2]兩行為摘要， every_item[3]和 every_item[4]等等的頭部如果包含「簡介:」、「< font size=-1 color=#6f6f6f>類別:< /font>」字元，則是簡介或類別（因為有的結果條目沒有該項），如果頭部包含「< font color=green>」則肯定就是**啦，這種對比判斷我們常使用正規表示式（略），如果要替換也很方便，比如包含標題的$every_item[0]，其本身是有鏈結的，我們希望修改這個鏈結屬性，讓它在新視窗開啟鏈結：

echo eregi_replace('

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