1CD-開發自己的搜索引擎：LUCENE 20+HERITRIX(簡體書)

本書是一本針對搜索引擎開發的書籍。通過學習本書，讀者可以獨立構建出一個企業級的搜索引擎網站。本書詳細講解了搜索引擎與信息檢索基礎，Lucene入門實例，Lucene索引的建立，使用Lucene進行搜索，排序，過濾和分頁，Lucene的分析器，對Word、Excel和PDF格式文檔的處理，Compass搜索引擎框架，Lucene分布式和Google Search API，爬蟲Heritrix，HTMLParser，DWR等內容。最后綜合使用所講述的技術，構建了一個典型的垂直搜索系統，該系統具有很強的商業實用價值。 本書是一本介紹如何使用Lucene 2.0和Heritrix來構建搜索引擎的書。通過對相關API和源代碼的分析，力求使讀者在掌握應用的基礎上能夠深入其核心，自行擴展和開發相應組件，開發出更有創意的搜索引擎產品。 本書適合從事計算機軟件開發的人員閱讀，同時也可以作為搜索引擎愛好者的入門書籍。閱讀本書需要具備Java語言基礎。

邱哲，北京理工大學碩士，現為某公司技術經理，主要從事歐美軟件外包開發。在J2EE方面有4年的開發經驗，在搜索引擎與“爬蟲”方面有3年的開發經驗，著有《征服Ajax+Lucene構建搜索引擎》一書。

第一篇　搜索引擎入門
第1章　搜索引擎與信息檢索基礎　
1.1　搜索引擎的歷史　
1.1.1　萌芽：Archie、Gopher　
1.1.2　起步：Robot(網絡機器人)的出現與Spider(網絡爬蟲)　
1.1.3　發展：Excite、Galaxy、Yahoo等　
1.1.4　繁榮：Infoseek、AltaVista、Google和Baidu　
1.2　信息檢索系統的基本知識　
1.2.1　什么是信息檢索系統　
1.2.2　信息檢索的過程　
1.2.3　傳統查找的優點和不足　
1.2.4　使用索引提高檢索速度　
1.2.5　倒排索引　
1.2.6　評價信息檢索系統的標準　
1.3　Lucene簡介　
1.4　小結　
第二篇　Lucene開發詳解
第2章　Lucene入門實例　
2.1　實例介紹　
2.1.1　實例說明　
2.1.2　開發過程　
2.2　準備工作　
2.2.1　將文檔的全角標點轉換成半角標點　
2.2.2　將大文檔切分成多個小文檔　
2.2.3　預處理源文件的統一接口　
2.3　創建Eclipse工程　
2.3.1　準備工作　
2.3.2　創建工程并引入Lucene的JAR包　
2.3.3　運行文檔預處理類　
2.3.4　創建處理文檔的索引類：IndexProcessor　
2.3.5　創建檢索索引的搜索類　
2.4　運行效果　
2.5　小結　
第3章　Lucene索引的建立　
3.1　Document邏輯文件　
3.1.1　Lucene的Document　
3.1.2　為Document添加多種Field　
3.1.3　Document的內部實現　
3.2　Field的內部實現　
3.2.1　Field包含的類　
3.2.2　Field類的構造方法　
3.3　Lucene的索引工具IndexWriter　
3.3.1　IndexWriter的初始化　
3.3.2　向索引添加文檔　
3.3.3　限制每個Field中的詞條的數量　
3.4　Lucene索引過程詳解　
3.4.1　Lucene索引建立過程概述
3.4.2　使用addDocument方法向索引添加文檔　
3.4.3　DocumentWriter的addDocument方法
3.4.4　文檔的倒排　
3.4.5　對postingTable進行排序　
3.4.6　將Posting信息寫入索引　
3.5　索引文件格式　
3.5.1　索引的segment　
3.5.2　.fnm格式　
3.5.3　.fdx與.fdt格式　
3.5.4　.tii與.tis格式　
3.5.5　deletable格式
3.5.6　復合索引格式.cfs
3.6　索引過程的優化
3.6.1　合并因子mergeFactor
3.6.2　maxMergeDocs
3.6.3　minMergeDocs
3.7　索引的合并與索引的優化　
3.7.1　FSDirectory與RAMDirectory　
3.7.2　使用IndexWriter來合并索引
3.7.3　索引的優化　
3.8　從索引中刪除文檔 3.8.1　索引的讀取工具IndexReader
3.8.2　使用文檔ID號來刪除特定文檔　
3.8.3　使用Field信息來刪除批量文檔　
3.9　Lucene的同步問題　
3.9.1　為什么要進行同步以及Lucene的同步法則　
3.9.2　commit.lock與write.lock
3.10　Lucene 2.0的新類：IndexModifier類　
3.11　小結　
第4章　Lucene的搜索　
4.1　使用IndexSearcher進行搜索　
4.1.1　初始化IndexSearcher　
4.1.2　IndexSearcher最簡單的使用　
4.1.3　IndexSearcher的多種search方法　
4.2　Hits類詳解　
4.2.1　Hits類的公有接口　
4.2.2　效率分析　
4.2.3　Hits內部的緩存　
4.2.4　Hits類的工作原理　
4.3　對搜索結果的評分　
4.3.1　文檔與詞條的向量空間　
4.3.2　Lucene的文檔得分算法　
4.4　構建各種Lucene內建的Query對象　
4.4.1　toString查看原子查詢　
4.4.2　查詢重寫與權重　
4.4.3　TermQuery詞條搜索　
4.4.4　BooleanQuery布爾搜索　
4.4.5　RangeQuery范圍搜索　
4.4.6　PrefixQuery前綴搜索　
4.4.7　PhraseQuery短語搜索　
4.4.8　MultiPhraseQuery多短語搜索　
4.4.9　FuzzyQuery模糊搜索　
4.4.10　WildcardQuery通配符搜索　
4.4.11　SpanQuery跨度搜索
4.5　第三方提供的Query對象：RegexQuery
4.6　通過QueryParser轉換用戶關鍵字 4.6.1　詞條的定義　
4.6.2　QueryParser初始化　
4.6.3　改變QueryParser默認的布爾邏輯
4.6.4　短語和QueryParser　
4.6.5　FuzzyQuery和QueryParser　
4.6.6　通配符與QueryParser
4.6.7　查找指定的Field　
4.6.8　RangeQuery與QueryParser　
4.6.9　QueryParser和SpanQuery　
4.7　多Field搜索與多索引搜索　
4.7.1　多域搜索MultiFieldQueryParser
4.7.2　MultiSearcher在多個索引上搜索
4.7.3　ParalellMultiSearcher：多線程搜索
4.7.4　Searchable和RMI
4.8　小結　
第5章　排序、過濾和分頁　
5.1　相關度排序　
5.1.1　使用Score進行自然排序　
5.1.2　Searcher的explain方法　
5.1.3　通過改變boost值來改變文檔的得分　
5.2　使用Sort來排序　
5.2.1　Sort簡介　
5.2.2　SortField　
5.2.3　按文檔得分進行排序　
5.2.4　按文檔的內部ID號來排序　
5.2.5　按一個或多個Field來排序　
5.2.6　改變SortField中的Locale信息　
5.3　搜索的過濾器　
5.3.1　過濾器的基本結構
5.3.2　一個簡單的Filter：建立索引　
5.3.3　一個簡單的Filter：打印索引文檔信息
5.3.4　一個簡單的Filter：安全級別與過濾器代碼　
5.3.5　一個簡單的Filter：在搜索時應用過濾器
5.3.6　一個簡單的Filter：總結　
5.3.7　按范圍過濾RangeFilter　
5.3.8　在結果中查詢QueryFilter　
5.3.9　緩存結果：CachingWrapperFilter　
5.4　翻頁問題　
5.4.1　依賴于session的翻頁
5.4.2　多次查詢　
5.4.3　緩存+多次查詢
5.4.4　緩存+多次查詢+數據庫　
5.5　小結　
第6章　Lucene的分析器
6.1　分析　
6.1.1　分詞
6.1.2　Lucene的分析器的結構　
6.1.3　Lucene的分析器的實現
6.2　Lucene與JavaCC　
6.2.1　JavaCC簡介
6.2.2　JavaCC為Lucene提供的分析器腳本　
6.2.3　Lucene的標準分析器　
6.2.4　標準過濾器：StandardFilter　
6.2.5　大小寫轉換器：LowerCaseFilter
6.2.6　忽略詞過濾器：StopFilter　
6.3　分析器的進階　
6.3.1　再看StandardAnalyzer中的管道過濾器結構　
6.3.2　長度過濾器：LengthFilter　
6.3.3　PerFieldAnalyzerWrapper　
6.3.4　其他　
6.4　對中文的分析　
6.4.1　現有的中文分詞方式簡介　
6.4.2　中科院的分詞軟件和JE分詞　
6.5　小結　
第三篇　Lucene相關話題
第7章　對Word、Excel 和PDF的處理　
7.1　使用PDFBox處理PDF文檔　
7.1.1　PDFBox的下載　
7.1.2　在Eclipse中配置　
7.1.3　使用PDFBox解析PDF內容　
7.1.4　運行效果　
7.1.5　與Lucene的集成　
7.2　使用xpdf來處理中文PDF文檔　
7.2.1　xpdf的下載　
7.2.2　配置　
7.2.3　提取中文　
7.2.4　運行效果　
7.3　使用POI來處理Excel和Word文件格式　
7.3.1　對Excel的處理類　
7.3.2　ExcelReader的運行效果　
7.3.3　POI中Excel文件Cell的類型　
7.3.4　對Word的處理類　
7.4　使用Jacob來處理Word文檔　
7.4.1　Jacob的下載　
7.4.2　在Eclipse中配置
7.5　小結　
第8章　Compass：封裝了Lucene的框架　
8.1　Compass簡介　
8.1.1　Compass的下載　
8.1.2　Compass的代碼片斷　
8.2　Compass的初始配置　
8.2.1　Compass的配置文件　
8.2.2　將索引存放于內存中　
8.2.3　使用JDBC來存儲索引
8.2.4　使用連接池來存儲索引　
8.2.5　加載compass.cfg.xml文件　
8.3　域模型的配置　
8.3.1　實體代碼　
8.3.2　實體關系
8.3.3　實體Book的配置文件　
8.3.4　通用元數據定義文件(.cmd.xml)　
8.3.5　Author和Article的配置文件　
8.4　使用Compass來建立索引
8.4.1　索引代碼　
8.4.2　對象關系圖和運行結果　
8.5　使用Compass來搜索　
8.5.1　使用find()方法搜索　
8.5.2　CompassHits類型
8.5.3　CompassHit類型　
8.5.4　使用Lucene語法來查找　
8.6　配置Analyzer和Optimizer　
8.7　小結　
第9章　Lucene分布式和Google Search API　
9.1　Lucene與分布式　
9.1.1　什么是GFS　
9.1.2　為Lucene提供分布式的幾點設想　
9.2　Google的Search API　
9.2.1　搭建環境　
9.2.2　構建搜索類　
9.2.3　設置查詢時的參數和查詢語法　
9.2.4　運行測試　
9.3　小結　
第四篇　網絡爬蟲Heritrix
第10章　無比強大的網絡爬蟲Heritrix　
10.1　Heritrix使用入門　
10.1.1　下載和運行Heritrix　
10.1.2　在Eclipse里配置Heritrix的開發環境　
10.1.3　創建一個新的抓取任務　
10.1.4　設置抓取時的處理鏈　
10.1.5　設置運行時的參數
10.1.6　運行抓取任務　
10.1.7　Heritrix的鏡像存儲結構　
10.1.8　終止抓取或終止Heritrix的運行　
10.2　Heritrix的架構　
10.2.1　抓取任務CrawlOrder　
10.2.2　中央控制器CrawlController　
10.2.3　Frontier鏈接制造工廠　
10.2.4　用Berkeley DB實現的BdbFrontier　
10.2.5　Heritrix的多線程ToeThread和ToePool　
10.2.6　處理鏈和Processor　
10.3　擴展和定制Heritrix　
10.3.1　向Heritrix中添加自己的Extractor　
10.3.2　定制Queue-assignment-policy的兩個問題　
10.3.3　定制Queue-assignment-policy繼承QueueAssignmentPolicy類　
10.3.4　擴展FrontierScheduler來抓取特定的內容　
10.3.5　在Prefetcher中取消robots.txt的限制　
10.4　小結　
第五篇　構建垂直搜索引擎
第11章　搜索引擎綜合實例：準備篇　
11.1　實例簡介以及實現途徑　
11.1.1　選擇網站　
11.1.2　太平洋電腦網和網易手機頻道　
11.1.3　分析網站內容并準備抓取清單　
11.1.4　從下拉列表獲得手機品牌首頁　
11.1.5　解析手機品牌頁面　
11.2　在Heritrix中為pconline開發抓取所需的定制類　
11.2.1　保存所有產品的頁面和圖片　
11.2.2　不保存其他無關頁面　
11.2.3　開始抓取　
11.3　在Heritrix中為網易手機頻道開發抓取所需的定制類　
11.3.1　分析網易手機頻道　
11.3.2　設計抓取代碼　
11.4　在Eclipse中創建工程結構　
11.4.1　下載插件　
11.4.2　在Eclipse中配置插件　
11.4.3　創建工程　
11.4.4　設置工程的Context　
11.4.5　設定源代碼存放和輸出路徑　
11.4.6　添加Java代碼　
11.4.7　添加Jar包　
11.4.8　創建JSP文件　
11.4.9　工程整體結構一覽　
11.5　設定配置文件及其相關類　
11.5.1　系統屬性配置文件　
11.5.2　封裝配置文件　
11.6　產品詳細信息文件格式　
11.7　解析網頁信息的基類Extractor　
11.8　太平洋電腦網手機產品頁面Extractor　
11.9　pconline產品信息運行效果測試　
11.9.1　編寫測試函數　
11.9.2　執行測試　
11.10　網易手機頻道的產品信息運行效果　
11.11　構建產品信息詞庫　
11.12　數據庫與索引結構　
11.12.1　定義Product類　
11.12.2　確定數據庫與索引的結構　
11.13　數據庫處理和索引處理　
11.13.1　對數據庫進行操作　
11.13.2　對索引進行操作　
11.14　調用數據庫處理類和索引處理類　
11.15　運行　
11.16　小結　
第12章　使用正則表達式與HTMLParser提取網頁內容　
12.1　HTML的基本知識　
12.2　JDK中的正則表達式提取網頁內容　
12.2.1　java.util.regex包　
12.2.2　正則表達式提取網頁內容實例　
12.3　HTMLParser提取網頁內容　
12.3.1　HTMLParser的下載　
12.3.2　HTMLParser概述　
12.3.3　Lexer的功能及實現　
12.3.4　HTMLParser的功能及實現　
12.3.5　HTMLParser實例　
12.4　小結　
第13章　搜索引擎綜合實例：DWR　
13.1　DWR的下載　
13.2　DWR入門與實例演示　
13.2.1　創建工程結構　
13.2.2　在web.xml中配置DWR　
13.2.3　配置dwr.xml　
13.2.4　頁面代碼　
13.2.5　運行效果　
13.2.6　DWR與直接使用XMLHttpRequest對象的比較　
13.2.7　在DWR中操縱自定義的對象　
13.2.8　查看DWR的輸出日志　
13.3　dwr.xml的配置　
13.3.1　dwr.xml的標準結構　
13.3.2　標簽與DWR自帶的converter和creator　
13.3.3　標簽　
13.3.4　標簽　
13.3.5　另一個例子　
13.4　util.js　
13.4.1　調用util.js　
13.4.2　使用useLoadingMessage方法顯示提示圖標　
13.4.3　DWRUtil.setValue和DWRUtil.getValue　
13.4.4　DWRUtil.getValues和DWRUtil.setValues　
13.4.5　DWRUtil.addOptions和DWRUtil.removeAllOptions　
13.4.6　DWRUtil.addRows和DWRUtil.removeAllRows　
13.4.7　DWRUtil.toDescriptiveString方法　
13.5　小結　
第14章　搜索引擎綜合實例：Web篇　
14.1　配置文件　
14.1.1　Spring配置文件　
14.1.2　DWR配置文件　
14.1.3　web.xml
14.2　各種Bean類
14.2.1　SearchResult　
14.2.2　SearchResults　
14.2.3　SearchRequest　
14.3　SearchService的實現　
14.4　SearchResultDao　
14.5　前臺部分　
14.5.1　搜索主頁面main.jsp　
14.5.2　圖片的顯示　
14.5.3　詳細信息頁面detail.jsp　
14.6　問題　
14.7　小結