談到網頁搜尋引擎時,大多數人都會想到雅虎。的確,雅虎開創了一個網路絡的搜尋時代。然而,雅虎目前用來搜尋網頁的技術卻並非該公司原先自己開發的。 2000年8月,雅虎採用了Google(www.google.com)這家由史丹佛大學學生創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、更準確搜尋到所需的資訊。
讓我們自己來設計、開發一個強勁、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網站呢?
剖析程式設計想法
我們可以這樣設想:模擬一個查詢,向某個搜尋引擎網站發出對應格式的搜尋指令,然後傳回搜尋結果,對結果的HTML程式碼進行分析,剝離多餘的字元和程式碼,最後按所需的格式顯示在我們自己的網站頁面裡。
這樣,問題的關鍵就在於,我們要選定一個搜尋資訊準確(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原始碼分析與剝離)的搜尋網站,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、前台個人化顯示此流程。
我們先來看看Google的查詢指令的構成。進入www.google.com網站,在查詢欄中輸入“abcd”,點擊查詢按鈕,我們可以發現瀏覽器的網址列變成:"http://www.google.com/search?q=abcd&btnG=Google %CB%D1%CB%F7&hl=zh-CN&lr=",可見,Google是透過表單的get方式來傳遞查詢參數並遞交查詢指令的。我們可以使用PHP中的file()函數來模擬這個查詢過程。
了解File()函數
語法: array file(string filename);
傳回值為數組,將檔案全部讀入數組變數中。這裡的文件可以是本地的,也可以是遠端的,遠端檔案必須指明所使用的協定。例如: result=file(“http://www.google.com/search?q=a ... mp;hl=zh-CN&lr=”),該語句將模擬我們在Google上查詢單字「abcd」的過程,並將搜尋結果以每行為元素,傳回數組變數result。因為這裡讀取的檔案是遠端的,所以協定名稱「http://」不能缺少。
如果要讓使用者輸入搜尋字元進行任意搜索,我們可以做一個輸入文字方塊和提交按鈕,並將上文中的被搜尋字元「abcd」用變數取代:
echo '
';
if (isset( keywords)) //提交後PHP會產生變數kwywords,即要求下面的程式在提交後執行
{
urlencode( keywords); //對使用者輸入內容進行URL編碼
result=file("http://www.google.com/search?q=". keywords."&btnG=Google%CB%D1%CB%F7&hl=zh-CN&lr=");
/ /對查詢語句進行變數替換,將查詢結果保存在陣列變數result中
result_string=join(" ", result); //將陣列$result合併成
字串#,各陣列元素之間用空格黏和
... //進一步處理
}
?>
上面的這段程式已經能按使用者輸入內容進行查詢,並將傳回的結果合成一個字串變數$result_string。請注意要使用urlencode()函數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。網址和簡介等,這是一個簡潔而典型的需求。這樣,我們要做的便是:去除Google搜尋結果的台頭和腳註,包括一個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源碼的第一個
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字符,而且這個組合「
以下所有程序均依序接續在上文程序的「進一步處理」處。
result_string = strstr( result_string, ""); //取result_string從第一個
開始後的字串,以去除Google台頭
position= strpos( result_string,"
table符號的位置
result_string= substr( result_string,0, position);//截取第一個
table符號之前的字串,以去除腳註
#應用與實作
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。也是很規律的用
分隔,也就是各成一個段落,按這個特點我們用explode()函數把每個條目切開:
語法:explode(string separator, string string) ;
傳回一個數組,按separator切開後的各個小字符串被保存在數組中。 ; //用字符串"
"把結果切開
我們就得到一個數組result_array,其中每個元素都是一個搜尋結果條目。及其HTML顯示格式程式碼,然後依要求替換就行了。 ##}
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、網址等組成,每個部分都換行,即包含
every_item=explode("
", result_array[ i]);
# 這樣我們得到一個數組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]等的頭部如果包含「簡介:」、「< font size=-1 color=#6f6f6f>類別:< /font>」字符,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>”則肯定就是網址啦,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,例如包含標題的$every_item[0],其本身是有連結的,我們希望修改這個連結屬性,讓它在新視窗中開啟連結:
echo eregi_replace(' {
... //處理每個條目中除去第一項(第一項為標題,已經顯示)的每一項
... //更多格式修改
} 這樣就修改了連結屬性,其餘很多顯示格式的修改、剝離、替換都能用正規取代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表格。然而一個好的程式應該可以適應各種運作環境的,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,例如要顯示總共搜尋多少結果,分成多少頁等等,甚至還可以刨除那些與Google相關的「類別」、「簡介」等程式碼,讓客戶根本看不到原始網站。不過這些內容和要求我們都能透過分析HTML進行剝離來獲得。現在大家完全能自己動手,做個極富個人化的搜尋引擎啦。
以上是搜尋引擎核心技術_php基礎的詳細內容。更多資訊請關注PHP中文網其他相關文章!
本網站聲明
本文內容由網友自願投稿,版權歸原作者所有。本站不承擔相應的法律責任。如發現涉嫌抄襲或侵權的內容,請聯絡admin@php.cn
作者最新文章
-
1970-01-01 08:00:00
-
1970-01-01 08:00:00
-
1970-01-01 08:00:00
-
1970-01-01 08:00:00
-
1970-01-01 08:00:00
-
1970-01-01 08:00:00
-
1970-01-01 08:00:00
-
2023-03-11 21:26:01
-
2023-03-11 21:20:01
-
2023-03-11 21:18:02