第十六章 布尔搜索

原文:Chapter 16 Boolean search

译者:飞龙

协议:CC BY-NC-SA 4.0

自豪地采用谷歌翻译

在本章中,我展示了上一个练习的解决方案。然后,你将编写代码来组合多个搜索结果,并按照它与检索词的相关性进行排序。

16.1 爬虫的答案

首先,我们来解决上一个练习。我提供了一个WikiCrawler的大纲;你的工作是填写crawl。作为一个提醒,这里是WikiCrawler类中的字段:

  1. public class WikiCrawler {
  2. // keeps track of where we started
  3. private final String source;
  4. // the index where the results go
  5. private JedisIndex index;
  6. // queue of URLs to be indexed
  7. private Queue<String> queue = new LinkedList<String>();
  8. // fetcher used to get pages from Wikipedia
  9. final static WikiFetcher wf = new WikiFetcher();
  10. }

当我们创建WikiCrawler时,我们传入source和 index。最初queue只包含一个元素,source

注意,queue的实现是LinkedList,所以我们可以在末尾添加元素,并从开头删除它们 - 以常数时间。通过将LinkedList对象赋给Queue变量,我们将使用的方法限制在Queue接口中;具体来说,我们将使用offer添加元素,以及poll来删除它们。

这是我的WikiCrawler.crawl的实现:

  1. public String crawl(boolean testing) throws IOException {
  2. if (queue.isEmpty()) {
  3. return null;
  4. }
  5. String url = queue.poll();
  6. System.out.println("Crawling " + url);
  7. if (testing==false && index.isIndexed(url)) {
  8. System.out.println("Already indexed.");
  9. return null;
  10. }
  11. Elements paragraphs;
  12. if (testing) {
  13. paragraphs = wf.readWikipedia(url);
  14. } else {
  15. paragraphs = wf.fetchWikipedia(url);
  16. }
  17. index.indexPage(url, paragraphs);
  18. queueInternalLinks(paragraphs);
  19. return url;
  20. }

这个方法的大部分复杂性是使其易于测试。这是它的逻辑:

  • 如果队列为空,则返回null来表明它没有索引页面。
  • 否则,它将从队列中删除并存储下一个 URL。
  • 如果 URL 已经被索引,crawl不会再次对其进行索引,除非它处于测试模式。
  • 接下来,它读取页面的内容:如果它处于测试模式,它从文件读取;否则它从 Web 读取。
  • 它将页面索引。
  • 它解析页面并向队列添加内部链接。
  • 最后,它返回索引的页面的 URL。

我在 15.1 节展示了Index.indexPage的一个实现。所以唯一的新方法是WikiCrawler.queueInternalLinks

我用不同的参数编写了这个方法的两个版本:一个是Elements对象,包含每个段落的 DOM 树,另一个是Element对象,包含大部分段落。

第一个版本只是循环遍历段落。第二个版本是实际的逻辑。

  1. void queueInternalLinks(Elements paragraphs) {
  2. for (Element paragraph: paragraphs) {
  3. queueInternalLinks(paragraph);
  4. }
  5. }
  6. private void queueInternalLinks(Element paragraph) {
  7. Elements elts = paragraph.select("a[href]");
  8. for (Element elt: elts) {
  9. String relURL = elt.attr("href");
  10. if (relURL.startsWith("/wiki/")) {
  11. String absURL = elt.attr("abs:href");
  12. queue.offer(absURL);
  13. }
  14. }
  15. }

要确定链接是否为“内部”链接,我们检查 URL 是否以/wiki/开头。这可能包括我们不想索引的一些页面,如有关维基百科的元页面。它可能会排除我们想要的一些页面,例如非英语语言页面的链接。但是,这个简单的测试足以起步了。

这就是它的一切。这个练习没有很多新的材料;这主要是一个机会,把这些作品组装到一起。

16.2 信息检索

这个项目的下一个阶段是实现一个搜索工具。我们需要的部分包括:

  • 一个界面,其中用户可以提供检索词并查看结果。
  • 一种查找机制,它接收每个检索词并返回包含它的页面。
  • 用于组合来自多个检索词的搜索结果的机制。
  • 对搜索结果打分和排序的算法。

用于这样的过程的通用术语是“信息检索”,你可以在 http://thinkdast.com/infret 上阅读更多信息 。

在本练习中,我们将重点介绍步骤 3 和 4 。我们已经构建了一个 2 的简单的版本。如果你有兴趣构建 Web 应用程序,则可以考虑完成步骤 1。

16.3 布尔搜索

大多数搜索引擎可以执行“布尔搜索”,这意味着你可以使用布尔逻辑来组合来自多个检索词的结果。例如:

  • 搜索“java + 编程”(加号可省略)可能只返回包含两个检索词:“java”和“编程”的页面。
  • “java OR 编程”可能会返回包含任一检索词但不一定同时出现的页面。
  • “java -印度尼西亚”可能返回包含“java”,不包含“印度尼西亚”的页面。

包含检索词和运算符的表达式称为“查询”。

当应用给搜索结果时,布尔操作符+OR-对应于集合操作 交,并和差。例如,假设

  • s1是包含“java”的页面集,
  • s2是包含“编程”的页面集,以及
  • s3是包含“印度尼西亚”的页面集。

在这种情况下:

  • s1s2的交集是含有“java”和“编程”的页面集。
  • s1s2的并集是含有“java”或“编程”的页面集。
  • s1s2的差集是含有“java”而不含有“印度尼西亚”的页面集。

在下一节中,你将编写实现这些操作的方法。

16.4 练习 13

在本书的仓库中,你将找到此练习的源文件:

  • WikiSearch.java,它定义了一个对象,包含搜索结果并对其执行操作。
  • WikiSearchTest.java,它包含WikiSearch的测试代码。
  • Card.java,它演示了如何使用java.util.Collectionssort方法。

你还将找到我们以前练习中使用过的一些辅助类。

这是WikiSearch类定义的起始:

  1. public class WikiSearch {
  2. // map from URLs that contain the term(s) to relevance score
  3. private Map<String, Integer> map;
  4. public WikiSearch(Map<String, Integer> map) {
  5. this.map = map;
  6. }
  7. public Integer getRelevance(String url) {
  8. Integer relevance = map.get(url);
  9. return relevance==null ? 0: relevance;
  10. }
  11. }

WikiSearch对象包含 URL 到它们的相关性分数的映射。在信息检索的上下文中,“相关性分数”用于表示页面多么满足从查询推断出的用户需求。相关性分数的构建有很多种方法,但大部分都基于“检索词频率”,它是搜索词在页面上的显示次数。一种常见的相关性分数称为 TF-IDF,代表“检索词频率 - 逆向文档频率”。你可以在 http://thinkdast.com/tfidf 上阅读更多信息 。

你可以选择稍后实现 TF-IDF,但是我们将从一些更简单的 TF 开始:

  • 如果查询包含单个检索词,页面的相关性就是其词频;也就是说该词在页面上出现的次数。
  • 对于具有多个检索词的查询,页面的相关性是检索词频率的总和;也就是说,任何检索词出现的总次数。

现在你准备开始练习了。运行ant build来编译源文件,然后运行 ant WikiSearchTest。像往常一样,它应该失败,因为你有工作要做。

WikiSearch.java中,填充的andor以及minus的主体,使相关测试通过。你不必担心testSort

你可以运行WikiSearchTest而不使用Jedis,因为它不依赖于 Redis 数据库中的索引。但是,如果要对索引运行查询,则必须向文件提供有关Redis服务器的信息。详见 14.3 节。

运行ant JedisMaker来确保它配置为连接到你的 Redis 服务器。然后运行WikiSearch,它打印来自三个查询的结果:

  • “java”
  • “programming”
  • “java AND programming”

最初的结果不按照特定的顺序,因为WikiSearch.sort是不完整的。

填充sort的主体,使结果以递增的相关顺序返回。我建议你使用java.util.Collections提供的sort方法,它可以排序任何种类的List。你可以阅读 http://thinkdast.com/collections 上的文档 。

有两个sort版本:

  • 单参数版本接受列表并使用它的compareTo方法对元素进行排序,因此元素必须是Comparable
  • 双参数版本接受任何对象类型的列表和一个Comparator,它是一个提供compare方法的对象,用于比较元素。

如果你不熟悉ComparableComparator接口,我将在下一节中解释它们。

16.5 ComparableComparator

本书的仓库包含了Card.java,它演示了两个方式来排序Card对象的列表。这里是类定义的起始:

  1. public class Card implements Comparable<Card> {
  2. private final int rank;
  3. private final int suit;
  4. public Card(int rank, int suit) {
  5. this.rank = rank;
  6. this.suit = suit;
  7. }

Card对象拥有两个整形字段,ranksuitCard实现了Comparable<Card>,也就是说它提供compareTo

  1. public int compareTo(Card that) {
  2. if (this.suit < that.suit) {
  3. return -1;
  4. }
  5. if (this.suit > that.suit) {
  6. return 1;
  7. }
  8. if (this.rank < that.rank) {
  9. return -1;
  10. }
  11. if (this.rank > that.rank) {
  12. return 1;
  13. }
  14. return 0;
  15. }

compareTo规范表明,如果this小于that,则应该返回一个负数,如果它更大,则为正数,如果它们相等则为0

如果使用单参数版本的Collections.sort,它将使用元素提供的compareTo方法对它们进行排序。为了演示,我们可以列出52张卡,如下所示:

  1. public static List<Card> makeDeck() {
  2. List<Card> cards = new ArrayList<Card>();
  3. for (int suit = 0; suit <= 3; suit++) {
  4. for (int rank = 1; rank <= 13; rank++) {
  5. Card card = new Card(rank, suit);
  6. cards.add(card);
  7. }
  8. }
  9. return cards;
  10. }

并这样排序它们:

  1. Collections.sort(cards);

这个版本的sort将元素按照所谓的“自然秩序”放置,因为它由对象本身决定。

但是可以通过提供一个Comparator对象,来强制实现不同的排序。例如,Card对象的自然顺序将Ace视为最小的牌,但在某些纸牌游戏中,它的排名最高。我们可以定义一个Comparator,将Ace视为最大的牌,像这样:

  1. Comparator<Card> comparator = new Comparator<Card>() {
  2. @Override
  3. public int compare(Card card1, Card card2) {
  4. if (card1.getSuit() < card2.getSuit()) {
  5. return -1;
  6. }
  7. if (card1.getSuit() > card2.getSuit()) {
  8. return 1;
  9. }
  10. int rank1 = getRankAceHigh(card1);
  11. int rank2 = getRankAceHigh(card2);
  12. if (rank1 < rank2) {
  13. return -1;
  14. }
  15. if (rank1 > rank2) {
  16. return 1;
  17. }
  18. return 0;
  19. }
  20. private int getRankAceHigh(Card card) {
  21. int rank = card.getRank();
  22. if (rank == 1) {
  23. return 14;
  24. } else {
  25. return rank;
  26. }
  27. }
  28. };

该代码定义了一个匿名类,按需实现compare。然后它创建一个新定义的匿名类的实例。如果你不熟悉 Java 中的匿名类,可以在 http://thinkdast.com/anonclass 上阅读它们。

使用这个Comparator,我们可以这样调用sort

  1. Collections.sort(cards, comparator);

在这个顺序中,黑桃的Ace是牌组上的最大的牌;梅花二是最小的。

如果你想试验这个部分的代码,它们在Card.java中。作为一个练习,你可能打算写一个比较器,先按照rank,然后再按照suit,所以所有的Ace都应该在一起,所有的二也是。以此类推。

16.6 扩展

如果你完成了此练习的基本版本,你可能需要处理这些可选练习:

  • 请阅读 http://thinkdast.com/tfidf 上的 TF-IDF,并实现它。你可能需要修改JavaIndex来计算文档频率;也就是说,每个检索词在索引的所有页面上出现的总次数。
  • 对于具有多个检索词的查询,每个页面的总体相关性目前是每个检索词的相关性的总和。想想这个简单版本什么时候可能无法正常运行,并尝试一些替代方案。
  • 构建用户界面,允许用户输入带有布尔运算符的查询。解析查询,生成结果,然后按相关性排序,并显示评分最高的 URL。考虑生成“片段”,它显示了检索词出现在页面的哪里。如果要为用户界面制作 Web 应用程序,请考虑将 Heroku 作为简单选项,用于 开发和部署 Java Web应用程序。见 http://thinkdast.com/heroku