PHP开发搜索引擎技术全解析

PHP开发搜索引擎技术全解析

      谈到网页搜索引擎时，很多人都会想到雅虎。的确，雅虎开创了一个互联网络的搜索时代。然而，雅虎目前用于搜索网页的技术却并非该公司原先自己开发的。2000年8月，雅虎采用了Google这家由斯坦福大学学生创建的公司的技术。理由非常简单，Google的搜索引擎比雅虎先前使用的技术能更快、更准确搜索到所需要的信息。
   让我们自己来设计、开发一个强劲、高效的搜索引擎和数据库恐怕短时间内在技术、资金等方面是不可能的，不过，既然雅虎都在使用别人的技术，那么我们是不是也可以使用别人现成的搜索引擎网站呢?

剖析编程思路
       我们可以这样设想：模拟一个查询，向某个搜索引擎网站发出相应格式的搜索命令，然后传回搜索结果，对结果的HTML代码进行分析，剥离多余的字符和代码，最后按所需要的格式显示在我们自己的网站页面里。
      这样，问题的关键就在于，我们要选定一个搜索信息准确(这样我们的搜索才会更有意义啊)、速度快(因为我们分析搜索结果并显示需要额外的时间)，搜索结果简洁(便于进行HTML源代码分析和剥离)的搜索网站，由于新一代搜索引擎Google的各种优良特性，这里我们选择它为例，来看看用PHP怎样实现后台对Google搜索、前台个性化显示这一过程。
      我们先来看看Google的查询命令的构成。进入Google网站，在查询栏中输入“abcd”，点击查询按钮，我们可以发现浏览器的地址栏变成："http://www.google.com/search?q=abcd&btnG=Google%CB%D1%CB%F7& hl=zh-CN&lr= "，可见，Google是通过表单的get方式来传递查询参数并递交查询命令的。我们可以使用PHP中的file()函数来模拟这个查询过程。
了解File( ) 函数
   语法: array file(string filename); 返回值为数组，将文件全部读入数组变量中。这里的文件可以是本地的，也可以是远程的，远程文件必须指明所使用的协议。例如：
result=file
(“http://www.google.com/search?q=a ... mp;hl=zh-CN&lr= ”)，该语句将模拟我们在Google上查询单词“abcd”的过程，并将搜索结果以每行为元素，传回到数组变量 result中。因为这里读取的文件是远程的，所以协议名“http://”不能缺少。
      如果要让用户输入搜索字符进行任意搜索，我们可以做一个输入文本框和提交按钮，并将上文中的被搜索字符“abcd”用变量替换：
echo
; file://没有参数的form，默认提交方式为get，提交到本身
echo ; file://构造一个文本输入框
echo ; file://构造一个提交查询按钮
echo
;
if (isset( keywords)) file://提交后PHP会生成变量 kwywords,即要求下面的程序在提交后运行
{
urlencode( keywords); file://对用户输入内容进行URL编码
result=file("http://www.google.com/search?q=". keywords."&btnG=Google%CB%D1%CB%F7&hl=zh-CN&lr=");
file://对查询语句进行变量替换,将查询结果保存在数组变量 result中
result_string=join(" ", result); file://将数组$result合并成字符串，各数组元素之间用空格粘和
... file://进一步处理
}
?﹥
对Google的分析
      为了便于理解，现在假设我们所真正需要的东西是：搜索结果的标题。网址和简介等，这是一个简洁而典型的需求。这样，我们所要做的便是：去除 Google搜索结果的台头和脚注，包括一个Google的标志、再次搜索的输入框和搜索结果说明等，并且在剩余的搜索结果各项条目中剥离原来的HTML 格式标记，替换成我们想要的格式。

      要做到这一点，我们必须仔细地分析Google搜索结果的HTML源码，找到其中的规律。不难发现，在Google的搜索结果的正文总是包含在源码的第一个
标记和倒数第二个
标记之间，并且倒数第二个
标记后紧跟table字符，而且这个组合“
以下所有程序均依次接续在上文程序的“进一步处理”处。
result_string = strstr( result_string, " ");
file://取 result_string从第一个开始后的字符串，以去除Google台头
position= strpos( result_string," table符号的位置
result_string= substr( result_string,0, position);//截取第一个table符号之前的字符串,以去除脚注
应用与实现

      现在我们已经得到有用的HTML源码主干了，剩下的问题是如何自主地显示这些内容。我们再分析一下这些搜索结果条目，发现每个条目之间也是很有规律的用分隔，也就是各成一个段落，按这个特点我们用explode()函数把每个条目切开：
语法：explode(string separator, string string);
返回一个数组，按separator切开后的各个小字串被保存在数组中。
于是：
result_array=explode(" ", result_string); file://用字串" "把结果切开
      我们就得到一个数组 result_array，其中每个元素都是一个搜索结果条目。我们所要做的仅仅是研究每个条目及其HTML显示格式代码，然后按要求替换就行了。下面用循环来处理 result_array中的每个条目。
for( i=0; i {
... file://处理每个条目
}
      对于每个条目，我们也很容易找到一些特点：每个条目都由标题、摘要、简介、类别、网址等组成，每个部分都换行，即包含标记，于是再次分割：(以下处理程序放在上文的循环中)
every_item=explode(" ", result_array[ i]);
      这样我们得到一个数组 every_item，其中 every_item[0]就是标题， every_item[1]和 every_item[2]两行为摘要， every_item[3]和 every_item[4]等等的头部如果包含“简介:”、“< font size=-1 color=#6f6f6f>类别:< /font>”字符，则是简介或类别(因为有的结果条目没有该项)，如果头部包含“< font color=green>”则肯定就是网址啦，这种对比判断我们常使用正则表达式(略)，如果要替换也很方便，比如包含标题的$every_item[0]，其本身是有链接的，我们希望修改这个链接属性，让它在新窗口打开链接：
echo eregi_replace( {
... file://处理每个条目中除去第一项(第一项为标题，已经显示)的每一项
... file://更多格式修改
}
这样就修改了链接属性，其余很多显示格式的修改、剥离、替换都能用正则替换eregi_replace()来完成。
      至此我们已经得到了每个搜索条目的每一项，并能任意修改每项的格式，甚至可以给他套上漂亮的表格。然而一个好的程序应该能适应各种运行环境的，这里也不例外，我们其实还只是讨论了搜索结果的HTML剥离的一种框架方法，真正要做得完美，还要考虑很多内容，比如要显示一共搜索出多少结果，分成多少页等等，甚至还可以刨除与Google相关的那些“类别”、“简介”等代码，让客户根本看不到原始网站。不过这些内容和要求我们都能通过分析HTML进行剥离得到。现在大家完全能自己动手，做个极富个性化的搜索引擎。