Tài liệu Xây dựng một search engine đơn giản pdf

Xây dựng một search engine đơn giản

Hầu hết chúng ta đã từng sử dụng các công cụ như Google, Altasista khi
tìm kiếm thông tin trên Web. Đọc xong bài này, bạn sẽ biết được cách làm
thế nào để đưa một trang tìm kiếm vào Website của bạn chỉ với một số
dòng lệnh Perl đơn giản (Tất nhiên, site của bạn phải được host trên một
máy chủ chạy hệ điều hàng Unix và hỗ trợ CGI script).
Để có được những tính nǎng vô cùng mạnh mẽ trong các công cụ tìm kiếm
nổi tiếng này, những người phát triển đã phải giải quyết hàng loạt những vấn đề phức tạp. Bạn có
thể hỏi: Làm sao có thể viết một công cụ tìm kiếm riêng cho Website của mình, chắc hẳn cũng
có rất nhiều việc phải làm. Bạn hãy yên tâm, viết một công cụ tìm kiếm nhỏ là một công việc
tương đối dễ dàng. Đọc xong bài này, bạn sẽ biết đượ
c cách làm thế nào để đưa một trang tìm
kiếm vào Website của bạn chỉ với một số dòng lệnh Perl đơn giản (Tất nhiên, site của bạn phải
được host trên một máy chủ chạy hệ điều hàng Unix và hỗ trợ CGI script).

Bước 1. Bắt đầu với thuật toán

Phần lớn Website được tổ chức theo cấu trúc cây thư mục. Điều đó có nghĩa là nếu không quan
tâm tới thời gian thực hi
ện bạn có thể viểt một script sử dụng các lệnh find và grep để tìm kiếm
trên site, theo cách bạn vẫn thực hiện từ dấu nhắc dòng lệnh của hệ điều hành. Tuy nhiên, hiệu
quả của phương pháp ``tìm lá trong rừng cây`` này sẽ giảm xuống rất thấp, chương trình sẽ chạy
rất chậm khi website tǎng trưởng về quy mô vì n ó phải dò tất cả các file trên site của bạn.

Một cách tiếp cận phổ biến là bạn hãy xây dựng một cấu trúc gọi là chỉ mục đảo, một bảng gần
giống như mục lục cuối mỗi quyển sách. Ví dụ, giả sử bạn có một Website rất đơn giản chỉ có 2
trang html như sau:

one.html

This is document one.

two.html

Here is another document.

Để lập chỉ mục cho toàn bộ Website, chúng ta cần tạo hai bảng. ở bảng thứ nhất, chúng ta đánh
số mỗi trang cùng với tiêu đề và URL của trang. Số
đánh của trang sẽ được sử dụng để tham
chiếu tới trang tương ứng ở giai đoạn sau. Bảng danh sách trang Web này sẽ có các bản ghi như
sau:

1 = > /one.html, ``Doc one``

2 = > /two.html, ``Doc Two``

Bảng thứ hai chính là bảng chỉ mục đảo. Chúng ta sẽ liệt kê từng từ một và các tài liệu có chứa
từ đó:

another = > 2

doc = > 1,2

document = > 1,2

here = > 2

is = > 1,2

one = > 1

this = > 1

two = > 2

Để tìm kiếm, trước hết cần nhìn tìm từ khoá trong bảng chỉ mục đảo, sau đó tra ngược lên trang
Web có số trang liệt kê sau từ cần tìm. Chẳng hạn, nếu từ khoá là ``here``, chúng ta sẽ tìm nó
trong bảng chỉ mục đảo, tìm được trang đánh số 2, và sau đó tra ngược lên bảng danh sách trang
Web để kết xuất các thông tin về tài liệu tương ứng như dưới đây:

Doc Two

Tương tự, nếu bạn đánh vào 2 từ khoá, chúng ta sẽ tìm cả 2 từ trong bảng chỉ mục đảo và tra
ngược lên bảng thứ nhất để liệt kê những trang chứa cả 2 từ khoá cần tìm.

Bước 2. Xác định cấu trúc dữ liệu

Không có gì khó khǎn khi chúng ta lưu trữ tệp chỉ mục đảo trong một file vǎn bản thông thường
và sẽ tìm kiếm từ khoá trong file này. Vì kích thước của tệp chỉ mụ
c nhỏ hơn rất nhiều so với
kích thước của site, tìm kiếm trên tệp chỉ mục đảo sẽ nhanh hơn rất nhiều so với cách sử dụng
các lệnh find và grep để tìm trên toàn bộ site.

Tất nhiên, đối với các site lớn, kích thước của file chỉ mục cũng sẽ lớn lên và việc đọc toàn bộ
file chỉ mục chỉ để tìm vài từ là không hiệu quả xét về nhiều mặt. Muốn tǎng hi
ệu quả, chúng ta
có thể sử dụng file DBM để lưu cả bảng danh sách trang Web và bảng chỉ mục ngược thành một
file chỉ mục duy nhất. Vì các bản ghi của bảng danh sách trang Web và bảng chỉ mục ngược đều
có cấu trúc dạng name = > value (tên = > giá trị) nên việc ánh xạ thành các xâu trong file DBM
sẽ rất dễ dàng. Theo quy ước của Perl, tệp chỉ mục mới của chúng ta sẽ như sau:

%dbm = (

`-1` = > ` Doc one `,

`-2` = > ` Doc Two `,

`another` = > `-2`,

`doc` = > `-1-2`,

`document` = > `-1-2`,

`here` = > `-2`,

`is` = > `-1-2`,

`one` = > `-1`,

`this` = > `-1`,

`two` = > `-2`

);

(Ơ` trên, chúng ta đã chuyển sang sử dụng các số âm để các số xuất hiện trên trang Web không
bị lẫn lộ với số trang).

Bước 3. Viết scrrip bọ tìm kiếm

Chúng ta phải viết 2 script. Script thứ nhất sẽ đọc tất cả các file trên Website để xây dựng tệp chỉ
mục đảo (script này đóng vai trò như một crawler - bọ tìm kiếm) và script thứ hai có nhiệm vụ
tìm các trang web theo từ khoá do người sử dụng nhập vào từ một form. Trước hết, chúng ta hãy
làm việc với script thứ nhất.

Trước tiên, chúng ta mở file DMB là nơi bảng chỉ mục ngược được lưu. Chúng ta sẽ triển khai
hệ thống với Berkeley DB vì nó cung cấp các API cho phép thao tác với bản ghi thuận tiện hơn
và không bị ràng buộc về độ dài của các bản ghi.

Mở tệp chỉ mục bằng lệnh

use DB_File;

dbmopen(%db,``search_index.db``, 0644) or die ``dbmopen: $!``;

Cách nhanh nhất để tìm các tệp trong Unix là sử dụng lệnh find. Trong ví dụ này, chúng ta sử

dụng lệnh này để lấy danh sách tất cả các file .html trên Website:

open(FILES, ``find . -name `*.html` -print|``) or die ``open for find: $!``;

Chúng ta mở lần lượt từng tệp HTML và đọc nội dung của tệp vào một biến.

my $filename;

while(defined($filename = )) {

print ``indexing $filename``;

chop $filename;

open(HTML, $filename) or do { warn ``open $filename: $!``; next; };

my $html = join(``, );

close HTML;

Sau đó trích phần title (tít) của trang Web và tạo các đầu mục cho trang trong bảng danh sách
trang Web:

my ($title) = ($html =~ /<]*)/i);

$title = $filename if(!defined $title);

$db{--$fileno} = `` $title ``;

Tiếp đó chúng ta tạo một dánh sách tất cả các từ trong trang. Nhưng trước tiên cần loại bỏ các
thẻ HTML.

$html =~ s/<[^ > ]+ > //g;

Nếu chúng ta muốn tìm kiếm không phân biệt chữ hoa và chữ thường, cần chuyển tất cả về cùng
một kiểu chữ. Chúng ta hãy chuyển cả tài liệu thành chữ thường:

$html =~ tr/A-Z/a-z/;

Tiếp đó, chúng ta tạo một danh sách gồm tất cả các từ trong tài liệu:

my @words = ($html =~ /w+/g);

Cuối cùng, chúng ta nối tất cả các từ
vào dòng tương ứng trong tệp chỉ mục đảo, cần đảm bảo
rằng không có từ nào được đánh chỉ mục 2 lần.

my $last = ````;

for (sort @words) {

next if($_ eq $last);

$last = $_;

$db{$_} = defined $db{$_} ? $db{$_}.$fileno : $fileno;

}

Về cơ bản là như vậy. Nếu bạn muốn tham khảo chi tiết, có thể tải về script đầy đủ ở địa chỉ
/>

Khi chạy trên Website, script này sẽ tạo ra tệp search_index.bd trong thư mục gốc của site. File
này chứa chỉ mục của tất cả các từ có trên các trang Web trên site của chúng ta.

Lưu ý: Thời gian chạy Script này khá lâu, phụ thuộc vào có bao nhiêu tài liệu trên site của bạn và
sẽ tạo ra một tệp có kích thước khá lớn. Trong một lần thử, tệp chỉ mục được tạo có kích thước
bằng 40% kích thước tổng của tất cả các file trên site.

Bước 4. Xây dựng script CGI tìm ki
ếm

Bây giờ chúng ta đã có tệp chỉ mục và cần cung cấp một cách thức cho người sử dụng truy nhập

nó. Tiếp theo chúng ta sẽ xây dựng một script tìm kiếm đơn giản để tìm kiếm những trang Web
chứa tất cả các từ do người sử dụng nhập vào từ form.

Form tìm kiếm hết sức đơn giản:

Search.cgi đọc biến form và phân tách giá trị của nó thành cách từ riêng biệt:

my $query = $ENV{`QUERY_STRING`};

$query =~ s/s=//;

$query =~ s/%[0-9a-fA-F]{2}/ /g;

my @words = ($query =~ /w+/g);


Tiếp đó, nó mở tệp DBM chứa chỉ mục ngược


use DB_File;

dbmopen(%db,``search_index.db``,0);


Chúng ta sử dụng một counter để lưu số đếm trên các trang . Chúng ta tìm lần lượt tìm theo từng
từ khoá và tǎng số đếm cho trang mỗi khi từ khoá được tìm thấy trên trang đó: