java实现简单的搜索引擎

记得java老师曾经说过百度的一个面试题目，大概意思是“有1W条无序的记录，如何从其中快速的查找到自己想要的记录”。这个就相当于一个简单的搜索引擎。最近在整理这一年的工作中，自己竟然已经把这个实现了，今天对其进一步的抽象，和大家分享下。

先写具体的实现代码，具体的实现思路和逻辑写在代码之后。

搜索时用于排序的Bean

 /**
 *@Description:
 */
package cn.lulei.search.engine.model;  

public class SortBean {
  private String id;
  private int times; 

  public String getId() {
    return id;
  }
  public void setId(String id) {
    this.id = id;
  }
  public int getTimes() {
    return times;
  }
  public void setTimes(int times) {
    this.times = times;
  }
}

构造的搜索数据结构以及简单的搜索算法

 /**
 *@Description:
 */
package cn.lulei.search.engine;  

import java.util.ArrayList;
import java.util.Collections;
import java.util.Comparator;
import java.util.HashMap;
import java.util.HashSet;
import java.util.List; 

import cn.lulei.search.engine.model.SortBean; 

public class SerachBase {
  //details 存储搜素对象的详细信息，其中key作为区分Object的唯一标识
  private HashMap<String, Object> details = new HashMap<String, Object>();
  //对于参与搜索的关键词，这里采用的稀疏数组存储，也可以采用HashMap来存储，定义格式如下
  //private static HashMap<Integer, HashSet<String>> keySearch = new HashMap<Integer, HashSet<String>>();
  //HashMap中额key值相当于稀疏数组中的下标，value相当于稀疏数组在该位置的值
  private final static int maxLength = Character.MAX_VALUE;
  @SuppressWarnings("unchecked")
  private HashSet<String>[] keySearch = new HashSet[maxLength]; 

  /**
   *@Description: 实现单例模式，采用Initialization on Demand Holder加载
   *@Version:1.1.0
   */
  private static class lazyLoadSerachBase {
    private static final SerachBase serachBase = new SerachBase();
  } 

  /**
   * 这里把构造方法设置成私有为的是单例模式
   */
  private SerachBase() { 

  } 

  /**
   * @return
   * @Description: 获取单例
   */
  public static SerachBase getSerachBase() {
    return lazyLoadSerachBase.serachBase;
  } 

  /**
   * @param id
   * @return
   * @Description: 根据id获取详细
   */
  public Object getObject(String id) {
    return details.get(id);
  } 

  /**
   * @param ids
   * @return
   * @Description: 根据ids获取详细，id之间用","隔开
   */
  public List<Object> getObjects(String ids) {
    if (ids == null || "".equals(ids)) {
      return null;
    }
    List<Object> objs = new ArrayList<Object>();
    String[] idArray = ids.split(",");
    for (String id : idArray) {
      objs.add(getObject(id));
    }
    return objs;
  } 

  /**
   * @param key
   * @return
   * @Description: 根据搜索词查找对应的id，id之间用","分割
   */
  public String getIds(String key) {
    if (key == null || "".equals(key)) {
      return null;
    }
    //查找
    //idTimes存储搜索词每个字符在id中是否出现
    HashMap<String, Integer> idTimes = new HashMap<String, Integer>();
    //ids存储出现搜索词中的字符的id
    HashSet<String> ids = new HashSet<String>(); 

    //从搜索库中去查找
    for (int i = 0; i < key.length(); i++) {
      int at = key.charAt(i);
      //搜索词库中没有对应的字符，则进行下一个字符的匹配
      if (keySearch[at] == null) {
        continue;
      }
      for (Object obj : keySearch[at].toArray()) {
        String id = (String) obj;
        int times = 1;
        if (ids.contains(id)) {
          times += idTimes.get(id);
          idTimes.put(id, times);
        } else {
          ids.add(id);
          idTimes.put(id, times);
        }
      }
    } 

    //使用数组排序
    List<SortBean> sortBeans = new ArrayList<SortBean>();
    for (String id : ids) {
      SortBean sortBean = new SortBean();
      sortBeans.add(sortBean);
      sortBean.setId(id);
      sortBean.setTimes(idTimes.get(id));
    }
    Collections.sort(sortBeans, new Comparator<SortBean>(){
      public int compare(SortBean o1, SortBean o2){
        return o2.getTimes() - o1.getTimes();
      }
    }); 

    //构建返回字符串
    StringBuffer sb = new StringBuffer();
    for (SortBean sortBean : sortBeans) {
      sb.append(sortBean.getId());
      sb.append(",");
    } 

    //释放资源
    idTimes.clear();
    idTimes = null;
    ids.clear();
    ids = null;
    sortBeans.clear();
    sortBeans = null; 

    //返回
    return sb.toString();
  } 

  /**
   * @param id
   * @param searchKey
   * @param obj
   * @Description: 添加搜索记录
   */
  public void add(String id, String searchKey, Object obj) {
    //参数有部分为空，不加载
    if (id == null || searchKey == null || obj == null) {
      return;
    }
    //保存对象
    details.put(id, obj);
    //保存搜索词
    addSearchKey(id, searchKey);
  } 

  /**
   * @param id
   * @param searchKey
   * @Description: 将搜索词加入到搜索域中
   */
  private void addSearchKey(String id, String searchKey) {
    //参数有部分为空，不加载
    //这里是私有方法，可以不做如下判断，但为了设计规范，还是加上
    if (id == null || searchKey == null) {
      return;
    }
    //下面采用的是字符分词，这里也可以使用现在成熟的其他分词器
    for (int i = 0; i < searchKey.length(); i++) {
      //at值相当于是数组的下标，id组成的HashSet相当于数组的值
      int at = searchKey.charAt(i);
      if (keySearch[at] == null) {
        HashSet<String> value = new HashSet<String>();
        keySearch[at] = value;
      }
      keySearch[at].add(id);
    }
  } 

}

测试用例：

 /**
 *@Description:
 */
package cn.lulei.search.engine.test;  

import java.util.List; 

import cn.lulei.search.engine.SerachBase; 

public class Test {
  public static void main(String[] args) {
    // TODO Auto-generated method stub
    SerachBase serachBase = SerachBase.getSerachBase();
    serachBase.add("1", "你好！", "你好！");
    serachBase.add("2", "你好！我是张三。", "你好！我是张三。");
    serachBase.add("3", "今天的天气挺好的。", "今天的天气挺好的。");
    serachBase.add("4", "你是谁？", "你是谁？");
    serachBase.add("5", "高数这门学科很难", "高数确实很难。");
    serachBase.add("6", "测试", "上面的只是测试");
    String ids = serachBase.getIds("你的高数");
    System.out.println(ids);
    List<Object> objs = serachBase.getObjects(ids);
    if (objs != null) {
      for (Object obj : objs) {
        System.out.println((String) obj);
      }
    }
  } 

}

测试输出结果如下：

5,3,2,1,4,
高数确实很难。
今天的天气挺好的。
你好！我是张三。
你好！
你是谁？

这样一个简单的搜索引擎也就算是完成了。

问题一：这里面的分词采用的是字符分词，对汉语的处理还是挺不错的，但是对英文的处理就很弱。

改进方法：采用现在成熟的分词方法，比如IKAnalyzer、StandardAnalyzer等，这样修改，keySearch的数据结构就需要做下修改，可以修改为 private HashMap<String, String>[] keySearch = new HashMap[maxLength]; 其中key存储分的词元，value存储唯一标识id。

问题二：本文实现的搜索引擎对词元并没有像lucene设置权重，只是简单的判断词元是否在对象中出现。

改进方法：暂无。添加权重处理，使数据结构更加复杂，所以暂时没有对其做处理，在今后的文章中会实现权重的处理。

下面就简单的介绍一下搜索引擎的实现思路。

在SerachBase类中设置details和keySearch两个属性，details用于存储Object的详细信息，keySearch用于对搜索域做索引。details数据格式为HashMap，keySearch的数据格式为稀疏数组（也可以为HashMap，HashMap中额key值相当于稀疏数组中的下标，value相当于稀疏数组在该位置的值）。

对于details我就不做太多的介绍。

keySearch中数组下标（如用HashMap就是key）的计算方法是获取词元的第一个字符int值（因为本文的分词采用的是字符分词，所以一个字符就是一个词元），该int值就是数组的下标，相应的数组值就是Object的唯一标识。这样keySearch的数据结构就如下图

因此想添加新纪录的时候只需要调用add方法即可。

对于搜索的实现逻辑和上面的keySearch类似。对于id的搜索直接使用HashMap的get方法即可。对于搜索词的一个搜索，整体的过程也是采用先分词、其次查询、最后排序。当然这里面的分词要和创建采用的分词要一致（即创建的时候采用字符分词，查找的时候也采用字符分词）。

在getIds方法中，HashMap<String, Integer> idTimes = new HashMap<String, Integer>();idTimes 变量用来存储搜索词中的词元有多少个在keySearch中出现，key值为唯一标识id，value为出现的词元个数。HashSet<String> ids = new HashSet<String>(); ids变量用来存储出现的词元的ids。这样搜索的复杂度就是搜索词的词元个数n。获得包含词元的ids，构造SortBean数组，对其排序，排序规则是出现词元个数的降序排列。最后返回ids字符串，每个id用"，"分割。如要获取详细信息
再使用getObjects方法即可。

上述的只是一个简单的搜索引擎，并没有设计太多的计算方法，希望对大家的学习有所启发。