北大天网搜索引擎TSE分析及完全注释[6]倒排索引的建立的程序分析(1)

2024-02-02 09:18
文章标签 分析 程序 索引 建立 注释 完全 搜索引擎 北大 天网 倒排 tse

本文主要是介绍北大天网搜索引擎TSE分析及完全注释[6]倒排索引的建立的程序分析(1)，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

上一篇主要介绍了倒排索引建立相关的文件及中间文件。
TSE建立索引在运行程序上的大致步骤可以简化分为以下几步：

1、运行命令#./DocIndex
会用到一个文件 tianwang.raw.520    //爬取回来的原始文件，包含多个网页的所有信息，所以很大，这也是一个有待解决的问题，到底存成大文件（如果过大会超过2G或4G的限制，而且文件过大索引效率过低）还是小文件（文件数过多用于打开关闭文件句柄的消耗过大）还有待思考，还就是存储方案的解决最终肯定是要存为分布式的，最终总文件量肯定是会上TB的，TSE只支持小型的搜索引擎需求。          
会产生一下三个文件 Doc.idx, Url.idx, DocId2Url.idx    //Data文件夹中的Doc.idx DocId2Url.idx和Doc.idx

2、运行命令#sort Url.idx|uniq > Url.idx.sort_uniq    //Data文件夹中的Url.idx.sort_uniq
会用到一个文件 Url.idx文件 //md5 hash 之后的url完整地址和document id值对
会产生一个文件 Url.idx.sort_uniq //URL消重，md5 hash排序，提高检索效率

3、运行命令#./DocSegment Tianwang.raw.2559638448  
会用到一个文件 Tianwang.raw.2559638448  //Tianwang.raw.2559638448为爬回来的文件 ，每个页面包含http头，分词为后面建立到排索引做准备
会产生一个文件 Tianwang.raw.2559638448.seg //分词文件，由一行document id号和一行文档分词组（只对每个文档<html></html>中<head></head><body></body>等文字标记中的文本进行分组）构成

4、运行命令#./CrtForwardIdx Tianwang.raw.2559638448.seg > moon.fidx //建立独立的正向索引

5、运行命令
#set | grep "LANG"
#LANG=en; export LANG;
#sort moon.fidx > moon.fidx.sort

6、运行命令#./CrtInvertedIdx moon.fidx.sort > sun.iidx //建立倒排索引

我们先从建立索引的第一个程序DocIndex.cpp开始分析。(注释约定：Tianwang.raw.2559638448是抓回来合并成的大文件，后面就叫大文件，里面包含了很多篇html文档，里面的文档有规律的分隔就叫做一篇一篇的文档)

//DocIndex.h start-------------------------------------------------------------




#ifndef _COMM_H_040708_
#define _COMM_H_040708_

#include

#include 
#include 
#include 
#include 
#include 
#include 
#include 


using namespace std;

const unsigned HEADER_BUF_SIZE = 1024;
const unsigned RstPerPage = 20;	//前台搜索结果数据集返回条数

//iceway
//const unsigned MAX_DOC_IDX_ID = 21312;		//DocSegment.cpp中要用到
const unsigned MAX_DOC_IDX_ID = 22104;


//const string IMG_INFO_NAME("./Data/s1.1");
const string INF_INFO_NAME("./Data/sun.iidx");	//倒排索引文件
//朱德	 14383 16151 16151 16151 1683 207 6302 7889 8218 8218 8637
//朱古力	 1085 1222

//9万多条 字元文件 包括特殊符号，标点，汉字
const string DOC_IDX_NAME("./Data/Doc.idx");	//倒排索引文件
const string RAWPAGE_FILE_NAME("./Data/Tianwang.swu.iceway.1.0");

//iceway
const string DOC_FILE_NAME = "Tianwang.swu.iceway.1.0";		//Docindex.cpp中要用到
const string Data_DOC_FILE_NAME = "./Data/Tianwang.swu.iceway.1.0";		//Snapshot.cpp中要用到


//const string RM_THUMBNAIL_FILES("rm -f ~/public_html/ImgSE/timg/*");

//const string THUMBNAIL_DIR("/ImgSE/timg/");


#endif _COMM_H_040708_
//DocIndex.h end--------------------------------------------------------------
//DocIndex.cpp start-----------------------------------------------------------

#include 
#include 
#include "Md5.h"
#include "Url.h"
#include "Document.h"

//iceway(mnsc)
#include "Comm.h"
#include 

using namespace std;

int main(int argc, char* argv[])
{
    //ifstream ifs("Tianwang.raw.2559638448");
	//ifstream ifs("Tianwang.raw.3023555472");
	//iceway(mnsc)
	ifstream ifs(DOC_FILE_NAME.c_str());	//打开Tianwang.raw.3023555472文件，最原始的文件
	if (!ifs) 
	{
    	cerr << "Cannot open " << "tianwang.img.info" << " for input/n";
    	return -1;
    }
	ofstream ofsUrl("Url.idx", ios::in|ios::out|ios::trunc|ios::binary);	//建立并打开Url.idx文件
	if( !ofsUrl )
	{
		cout << "error open file " << endl;
	} 

	ofstream ofsDoc("Doc.idx", ios::in|ios::out|ios::trunc|ios::binary);	//建立并打开Doc.idx文件
	if( !ofsDoc )
	{
		cout << "error open file " << endl;
	} 

	ofstream ofsDocId2Url("DocId2Url.idx", ios::in|ios::out|ios::trunc|ios::binary);	//建立并打开DocId2Url.idx文件
	if( !ofsDocId2Url )
	{
		cout << "error open file " << endl;
	} 

	int cnt=0;	//文档编号从0开始计算
	string strLine,strPage;
	CUrl iUrl;
	CDocument iDocument;
	CMD5 iMD5;
	
	int nOffset = ifs.tellg();
	while (getline(ifs, strLine)) 
	{
		if (strLine[0]=='/0' || strLine[0]=='#' || strLine[0]=='/n')
		{
			nOffset = ifs.tellg();
			continue;
		}

		if (!strncmp(strLine.c_str(), "version: 1.0", 12))	//判断第一行是否是version: 1.0如果是就解析下去
		{	
			if(!getline(ifs, strLine)) break;
			if (!strncmp(strLine.c_str(), "url: ", 4))	//判断第二行是否是url: 如果是则解析下去
			{
				iUrl.m_sUrl = strLine.substr(5);	//截取url: 五个字符之后的url内容
				iMD5.GenerateMD5( (unsigned char*)iUrl.m_sUrl.c_str(), iUrl.m_sUrl.size() );	//对url用md5 hash处理
				iUrl.m_sChecksum = iMD5.ToString();	//将字符数组组合成字符串这个函数在Md5.h中实现

			} else 
			{
				continue;
			}

			while (getline(ifs, strLine)) 
			{
				if (!strncmp(strLine.c_str(), "length: ", 8))	//一直读下去直到判断澹澹(相对第五行)惺欠袷莑ength: 是则接下下去
				{
					sscanf(strLine.substr(8).c_str(), "%d", &(iDocument.m_nLength));	//将该块所代表网页的实际网页内容长度放入iDocument数据结构中
					break;
				}
			}

			getline(ifs, strLine);	//跳过相对第六行故意留的一个空行

			iDocument.m_nDocId = cnt;	//将文档编号赋值到iDocument数据结构中
			iDocument.m_nPos = nOffset;	//文档结尾在大文件中的结束行号
			char *pContent = new char[iDocument.m_nLength+1];	//新建该文档长度的字符串指针

			memset(pContent, 0, iDocument.m_nLength+1);	//每一位初始化为0
			ifs.read(pContent, iDocument.m_nLength);	//根据获得的文档长度读取澹(其中包含协议头)读取文档内容
			iMD5.GenerateMD5( (unsigned char*)pContent, iDocument.m_nLength );
			iDocument.m_sChecksum = iMD5.ToString();	//将字符数组组合成字符串这个函数在Md5.h中实现
			
			delete[] pContent;
			
			ofsUrl << iUrl.m_sChecksum ;	//将md5hash后的url写入Url.idx文件
			ofsUrl << "/t" << iDocument.m_nDocId << endl;	//在一行中一个tab距离分隔，将文件编号写入Url.idx文件

			ofsDoc << iDocument.m_nDocId ;	//将文件编号写入Doc.idx文件
			ofsDoc << "/t" << iDocument.m_nPos ;	//在一行中一个tab距离分隔，将该文档结束行号澹(同样也是下一文档开始行号)写入Doc.idx文件
			//ofsDoc << "/t" << iDocument.m_nLength ;
			ofsDoc << "/t" << iDocument.m_sChecksum << endl;	//在一行中一个tab距离分隔，将md5hash后的url写入Doc.idx文件

			ofsDocId2Url << iDocument.m_nDocId ;	//将文件编号写入DocId2Url.idx文件
			ofsDocId2Url << "/t" << iUrl.m_sUrl << endl;	//将该文档的完整url写入DocId2Url.idx文件

			cnt++;	//文档编号加一说明该以文档分析完毕，生成下一文档的编号
		}

		nOffset = ifs.tellg();

	}

	//最后一行只有文档号和上一篇文档结束号
	ofsDoc << cnt ; 
	ofsDoc << "/t" << nOffset << endl;


	return(0);
}

//DocIndex.cpp end-----------------------------------------------------------

这篇关于北大天网搜索引擎TSE分析及完全注释[6]倒排索引的建立的程序分析(1)的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！


http://www.chinasem.cn/article/670222。

相关文章

性能分析之MySQL索引实战案例

性能分析之MySQL索引实战案例

文章目录 一、前言二、准备三、MySQL索引优化四、MySQL 索引知识回顾五、总结 一、前言 在上一讲性能工具之 JProfiler 简单登录案例分析实战中已经发现SQL没有建立索引问题，本文将一起从代码层去分析为什么没有建立索引？ 开源ERP项目地址：https://gitee.com/jishenghua/JSH_ERP 二、准备 打开IDEA找到登录请求资源路径位置
阅读更多...
JAVA智听未来一站式有声阅读平台听书系统小程序源码

JAVA智听未来一站式有声阅读平台听书系统小程序源码

智听未来，一站式有声阅读平台听书系统 🌟&nbsp;开篇：遇见未来，从“智听”开始 在这个快节奏的时代，你是否渴望在忙碌的间隙，找到一片属于自己的宁静角落？是否梦想着能随时随地，沉浸在知识的海洋，或是故事的奇幻世界里？今天，就让我带你一起探索“智听未来”——这一站式有声阅读平台听书系统，它正悄悄改变着我们的阅读方式，让未来触手可及！ 📚&nbsp;第一站：海量资源，应有尽有 走进“智听
阅读更多...
SWAP作物生长模型安装教程、数据制备、敏感性分析、气候变化影响、R模型敏感性分析与贝叶斯优化、Fortran源代码分析、气候数据降尺度与变化影响分析

SWAP作物生长模型安装教程、数据制备、敏感性分析、气候变化影响、R模型敏感性分析与贝叶斯优化、Fortran源代码分析、气候数据降尺度与变化影响分析

查看原文>>>全流程SWAP农业模型数据制备、敏感性分析及气候变化影响实践技术应用 SWAP模型是由荷兰瓦赫宁根大学开发的先进农作物模型，它综合考虑了土壤-水分-大气以及植被间的相互作用；是一种描述作物生长过程的一种机理性作物生长模型。它不但运用Richard方程，使其能够精确的模拟土壤中水分的运动，而且耦合了WOFOST作物模型使作物的生长描述更为科学。 本文让更多的科研人员和农业工作者
阅读更多...
MOLE 2.5 分析分子通道和孔隙

MOLE 2.5 分析分子通道和孔隙

软件介绍 生物大分子通道和孔隙在生物学中发挥着重要作用，例如在分子识别和酶底物特异性方面。 我们介绍了一种名为 MOLE 2.5 的高级软件工具，该工具旨在分析分子通道和孔隙。 与其他可用软件工具的基准测试表明，MOLE 2.5 相比更快、更强大、功能更丰富。作为一项新功能，MOLE 2.5 可以估算已识别通道的物理化学性质。 软件下载 https://pan.quark.cn/s/57
阅读更多...
HDU 2159 二维完全背包

HDU 2159 二维完全背包

FATE 最近xhd正在玩一款叫做FATE的游戏，为了得到极品装备，xhd在不停的杀怪做任务。久而久之xhd开始对杀怪产生的厌恶感，但又不得不通过杀怪来升完这最后一级。现在的问题是，xhd升掉最后一级还需n的经验值，xhd还留有m的忍耐度，每杀一个怪xhd会得到相应的经验，并减掉相应的忍耐度。当忍耐度降到0或者0以下时，xhd就不会玩这游戏。xhd还说了他最多只杀s只怪。请问他能
阅读更多...
zoj 1721 判断2条线段（完全）相交

zoj 1721 判断2条线段（完全）相交

给出起点，终点，与一些障碍线段。 求起点到终点的最短路。 枚举2点的距离，然后最短路。 2点可达条件：没有线段与这2点所构成的线段（完全）相交。 const double eps = 1e-8 ;double add(double x , double y){if(fabs(x+y) < eps*(fabs(x) + fabs(y))) return 0 ;return x + y ;
阅读更多...
EMLOG程序单页友链和标签增加美化

EMLOG程序单页友链和标签增加美化

单页友联效果图： 标签页面效果图： 源码介绍 EMLOG单页友情链接和TAG标签，友链单页文件代码main{width: 58%;是设置宽度 自己把设置成与您的网站宽度一样，如果自适应就填写100%，TAG文件不用修改 安装方法：把Links.php和tag.php上传到网站根目录即可，访问 域名/Links.php、域名/tag.php 所有模板适用，代码就不粘贴出来，已经打
阅读更多...
衡石分析平台使用手册-单机安装及启动

衡石分析平台使用手册-单机安装及启动

单机安装及启动​ 本文讲述如何在单机环境下进行 HENGSHI SENSE 安装的操作过程。 在安装前请确认网络环境，如果是隔离环境，无法连接互联网时，请先按照 离线环境安装依赖的指导进行依赖包的安装，然后按照本文的指导继续操作。如果网络环境可以连接互联网，请直接按照本文的指导进行安装。 准备工作​ 请参考安装环境文档准备安装环境。 配置用户与安装目录。 在操作前请检查您是否有 sud
阅读更多...
跨系统环境下LabVIEW程序稳定运行

跨系统环境下LabVIEW程序稳定运行

在LabVIEW开发中，不同电脑的配置和操作系统（如Win11与Win7）可能对程序的稳定运行产生影响。为了确保程序在不同平台上都能正常且稳定运行，需要从兼容性、驱动、以及性能优化等多个方面入手。本文将详细介绍如何在不同系统环境下，使LabVIEW开发的程序保持稳定运行的有效策略。 LabVIEW版本兼容性 LabVIEW各版本对不同操作系统的支持存在差异。因此，在开发程序时，尽量使用
阅读更多...
线性因子模型 - 独立分量分析（ICA）篇

线性因子模型 - 独立分量分析（ICA）篇

序言 线性因子模型是数据分析与机器学习中的一类重要模型，它们通过引入潜变量（ latent variables \text{latent variables} latent variables）来更好地表征数据。其中，独立分量分析（ ICA \text{ICA} ICA）作为线性因子模型的一种，以其独特的视角和广泛的应用领域而备受关注。 ICA \text{ICA} ICA旨在将观察到的复杂信号
阅读更多...

Copyright China编程 23002807@qq.com

沪ICP备2023033072号-2