原文:Chapter 8 Indexer 译者:飞龙 协议:CC BY-NC-SA 4.0 自豪地采用谷歌翻译
目前,我们构建了一个基本的 Web 爬虫;我们下一步将是索引。在网页搜索的上下文中,索引是一种数据结构,可以查找检索词并找到该词出现的页面。此外,我们想知道每个页面上显示检索词的次数,这将有助于确定与该词最相关的页面。
例如,如果用户提交检索词“Java”和“编程”,我们将查找两个检索词并获得两组页面。带有“Java”的页面将包括 Java 岛屿,咖啡昵称以及编程语言的网页。具有“编程”一词的页面将包括不同编程语言的页面,以及该单词的其他用途。通过选择具有两个检索词的页面,我们希望消除不相关的页面,并找到 Java 编程的页面。
现在我们了解索引是什么,它执行什么操作,我们可以设计一个数据结构来表示它。
索引的基本操作是查找;具体来说,我们需要能够查找检索词并找到包含它的所有页面。最简单的实现将是页面的集合。给定一个检索词,我们可以遍历页面的内容,并选择包含检索词的内容。但运行时间与所有页面上的总字数成正比,这太慢了。
一个更好的选择是一个映射(字典),它是一个数据结构,表示键值对的集合,并提供了一种方法,快速查找键以及相应值。例如,我们将要构建的第一个映射是TermCounter
,它将每个检索词映射为页面中出现的次数。键是检索词,值是计数(也称为“频率”)。
Java 提供了Map
的调用接口,它指定映射应该提供的方法;最重要的是:
get(key)
:此方法查找一个键并返回相应的值。put(key, value)
:该方法向Map
添加一个新的键值对,或者如果该键已经在映射中,它将替换与key
关联的值。Java 提供了几个Map
实现,包括我们将关注的两个,HashMap
以及TreeMap
。在即将到来的章节中,我们将介绍这些实现并分析其性能。
除了检索词到计数的映射TermCounter
之外,我们将定义一个被称为Index
的类,它将检索词映射为出现的页面的集合。而这又引发了下一个问题,即如何表示页面集合。同样,如果我们考虑我们想要执行的操作,它们就指导了我们的决定。
在这种情况下,我们需要组合两个或多个集合,并找到所有这些集合中显示的页面。你可以将此操作看做集合的交集:两个集合的交集是出现在两者中的一组元素。
你可能猜到了,Java 提供了一个Set
接口,来定义集合应该执行的操作。它实际上并不提供设置交集,但它提供了方法,使我们能够有效地实现交集和其他结合操作。核心的Set
方法是:
add(element)
:该方法将一个元素添加到集合中;如果元素已经在集合中,则它不起作用。contains(element)
:该方法检查给定元素是否在集合中。Java 提供了几个Set
实现,包括HashSet
和TreeSet
。
现在我们自顶向下设计了我们的数据结构,我们将从内到外实现它们,从TermCounter
开始。
TermCounter
TermCounter
是一个类,表示检索词到页面中出现次数的映射。这是类定义的第一部分:
public class TermCounter {
private Map<String, Integer> map;
private String label;
public TermCounter(String label) {
this.label = label;
this.map = new HashMap<String, Integer>();
}
}
实例变量map
包含检索词到计数的映射,并且label
标识检索词的来源文档;我们将使用它来存储 URL。
为了实现映射,我选择了HashMap
,它是最常用的Map
。在几章中,你将看到它是如何工作的,以及为什么它是一个常见的选择。
TermCounter
提供put
和get
,定义如下:
public void put(String term, int count) {
map.put(term, count);
}
public Integer get(String term) {
Integer count = map.get(term);
return count == null ? 0 : count;
}
put
只是一个包装方法;当你调用TermCounter
的put
时,它会调用内嵌映射的put
。
另一方面,get
做了一些实际工作。当你调用TermCounter
的get
时,它会在映射上调用get
,然后检查结果。如果该检索词没有出现在映射中,则TermCount.get
返回0
。get
的这种定义方式使incrementTermCount
的写入更容易,它需要一个检索词,并增加关联该检索词的计数器。
public void incrementTermCount(String term) {
put(term, get(term) + 1);
}
如果这个检索词未见过,则get
返回0
;我们设为1
,然后使用put
向映射添加一个新的键值对。如果该检索词已经在映射中,我们得到旧的计数,增加1
,然后存储新的计数,替换旧的值。
此外,TermCounter
还提供了这些其他方法,来帮助索引网页:
public void processElements(Elements paragraphs) {
for (Node node: paragraphs) {
processTree(node);
}
}
public void processTree(Node root) {
for (Node node: new WikiNodeIterable(root)) {
if (node instanceof TextNode) {
processText(((TextNode) node).text());
}
}
}
public void processText(String text) {
String[] array = text.replaceAll("\\pP", " ").
toLowerCase().
split("\\s+");
for (int i=0; i<array.length; i++) {
String term = array[i];
incrementTermCount(term);
}
}
最后,这里是一个例子,展示了如何使用TermCounter
:
String url = "http://en.wikipedia.org/wiki/Java_(programming_language)";
WikiFetcher wf = new WikiFetcher();
Elements paragraphs = wf.fetchWikipedia(url);
TermCounter counter = new TermCounter(url);
counter.processElements(paragraphs);
counter.printCounts();
这个示例使用了WikiFetcher
从维基百科下载页面,并解析正文。之后它创建了TermCounter
并使用它来计数页面上的单词。
下一节中,你会拥有一个挑战,来运行这个代码,并通过填充缺失的方法来测试你的理解。
在本书的存储库中,你将找到此练习的源文件:
TermCounter.java
包含上一节中的代码。TermCounterTest.java
包含测试代码TermCounter.java
。Index.java
包含本练习下一部分的类定义。WikiFetcher.java
包含我们在上一个练习中使用的,用于下载和解析网页的类。WikiNodeIterable.java
包含我们用于遍历 DOM 树中的节点的类。你还会发现 Ant 构建文件build.xml
。
运行ant build
来编译源文件。然后运行ant TermCounter
;它应该运行上一节中的代码,并打印一个检索词列表及其计数。输出应该是这样的:
genericservlet, 2
configurations, 1
claimed, 1
servletresponse, 2
occur, 2
Total of all counts = -1
运行它时,检索词的顺序可能不同。
最后一行应该打印检索词计数的总和,但是由于方法size
不完整而返回-1
。填充此方法并ant TermCounter
重新运行。结果应该是4798
。
运行ant TermCounterTest
来确认这部分练习是否完整和正确。
对于练习的第二部分,我将介绍Index
对象的实现,你将填充一个缺失的方法。这是类定义的开始:
public class Index {
private Map<String, Set<TermCounter>> index =
new HashMap<String, Set<TermCounter>>();
public void add(String term, TermCounter tc) {
Set<TermCounter> set = get(term);
// if we're seeing a term for the first time, make a new Set
if (set == null) {
set = new HashSet<TermCounter>();
index.put(term, set);
}
// otherwise we can modify an existing Set
set.add(tc);
}
public Set<TermCounter> get(String term) {
return index.get(term);
}
实例变量index
是每个检索词到一组TermCounter
对象的映射。每个TermCounter
表示检索词出现的页面。
add
方法向集合添加新的TermCounter
,它与检索词关联。当我们索引一个尚未出现的检索词时,我们必须创建一个新的集合。否则我们可以添加一个新的元素到一个现有的集合。在这种情况下,set.add
修改位于index
里面的集合,但不会修改index
本身。我们唯一修改index
的时候是添加一个新的检索词。
最后,get
方法接受检索词并返回相应的TermCounter
对象集。
这种数据结构比较复杂。回顾一下,Index
包含Map
,将每个检索词映射到TermCounter
对象的Set
,每个TermCounter
包含一个Map
,将检索词映射到计数。
图 8.1 Index
的对象图
图 8.1 是展示这些对象的对象图。Index
对象具有一个名为index
的Map
实例变量。在这个例子中,Map
只包含一个字符串,"Java"
,它映射到一个Set
,包含两个TermCounter
对象的,代表每个出现单词“Java”的页面。
每个TermCounter
包含label
,它是页面的 URL,以及map
,它是Map
,包含页面上的单词和每个单词出现的次数。
printIndex
方法展示了如何解压缩此数据结构:
public void printIndex() {
// loop through the search terms
for (String term: keySet()) {
System.out.println(term);
// for each term, print pages where it appears and frequencies
Set<TermCounter> tcs = get(term);
for (TermCounter tc: tcs) {
Integer count = tc.get(term);
System.out.println(" " + tc.getLabel() + " " + count);
}
}
}
外层循环遍历检索词。内层循环迭代TermCounter
对象。
运行ant build
来确保你的源代码已编译,然后运行ant Index
。它下载两个维基百科页面,对它们进行索引,并打印结果;但是当你运行它时,你将看不到任何输出,因为我们已经将其中一个方法留空。
你的工作是填写indexPage
,它需要一个 URL(一个String
)和一个Elements
对象,并更新索引。下面的注释描述了应该做什么:
public void indexPage(String url, Elements paragraphs) {
// 生成一个 TermCounter 并统计段落中的检索词
// 对于 TermCounter 中的每个检索词,将 TermCounter 添加到索引
}
它能工作之后,再次运行ant Index
,你应该看到如下输出:
...
configurations
http://en.wikipedia.org/wiki/Programming_language 1
http://en.wikipedia.org/wiki/Java_(programming_language) 1
claimed
http://en.wikipedia.org/wiki/Java_(programming_language) 1
servletresponse
http://en.wikipedia.org/wiki/Java_(programming_language) 2
occur
http://en.wikipedia.org/wiki/Java_(programming_language) 2
当你运行的时候,检索词的顺序可能有所不同。
同样,运行ant TestIndex
来确定完成了这部分练习。