写个简单的搜索引擎

前些日子使用悟空搜索 搭了个简单的搜索引擎(见这里 )， 用着还可以，就是有一点不好，内存占用的太多了。每次内存用超了，搜索引擎的进程都会被系统干掉。 因为是和十三哥一起租的服务器，两个人的程序都在上面跑，平时还做些实验什么的， 为了保证服务器不被搞死，对进程的内存限制暂时是不打算解开的。再说了，就我这么个小网站， 也就几百个网页的量，居然占我50%的内存，这肯定不行的啊。

 

当然，这也不能怪"悟空搜索"，因为在去年的 GopherChina 大会上， 就听见作者在讲台上亲口宣布，说这个数据会全都加载到内存， 我觉得我数据量又不大，数据都放内存也占不了多少资源嘛，所以就放心大胆的用了，就是结果有点儿出乎我的意料而已。 为了解决内存占用过多的问题，一开始我打算修改这个项目的代码，把数据放到磁盘上，减轻内存的压力。 不过在开始之前，我想先更详细的了解一下搜索引擎，所以也就没动手，而是先找了本讲搜索引擎的书看了看， 就是这本《这就是搜索引擎》。

 

首先，感谢作者写的这本书，讲的很详细，也很透彻，导致我看完了这本书，觉得我自己也能写个搜索引擎。 对于我的搜索引擎，效率和可用性先放在一边，和正经的搜索引擎肯定没法比，但是，能用。^_^

 

索性我也别改"悟空搜索"了，先写个自己的搜索引擎练练手吧。然后就有了这个东西。目前已经在我的网站使用了， 地址是http://www.fengbohello.top/s 。有兴趣的同学可以去看看， 搜索结果还很粗糙，结果展示页面也没深加工，目前就是能凑合着用，对于查找我自己的资料还行， 因为一共也没多少数据，也就 400 来个网页。

---

下面来说说我都干了啥：

 

第一，当然就是设计框架。

因为之前使用了"悟空搜索"，我的网站后台和前端以及和搜索引擎之前的接口都是现成的， 我也不想再重新走出一条路，就用之前的东西（在这里）。

 

第二，就是找库。

先是找分词库，选中了 friso。这个分词库用起来也很简单，容易和其它项目结合。

在"搜索引擎"能够进入测试阶段之后，就可以上线了。上次是使用 GO语言 的 HTTPD 服务来 给我的网站提供的查询。不过这次我想尝试一下其它的方式，比如 RPC。 最后找到了 jsonrpc-c，发现简单又好用，那就它了。 目前这个项目直接依赖的库就是这两个（jsonrpc-c 还会依赖 libev）。

 

第三，就是写代码。

这点还是有点儿感触的。因为这个引擎是用C写的，在码代码的过程中，发现有些在 C++ 上作为标配的数据结构没有，比如 map，比如 vector。作为练手，我也顺便写了个类似 vector 的容器 和一个 map，不过 map 是用平衡二叉树实现的，而不是红黑树。做这些边角料的工作， 也增加了我对内存更精确的掌控能力。

 

第四，是使用哪种方式计算文档的相似度。

这里我使用的是向量空间的方式，因为这种方式实现起来最简单了。 以后有时间再尝试使用更复杂的算法。

 

至于更具体的有关"搜索引擎"的数据结构方面的介绍，基本是根据《这就是搜索引擎》来实现的。 下一篇来介绍具体的数据结构的实现，比如单词索引、倒排索引和文档的相似度计算等内容。

 

---

 

同步地址：http://www.fengbohello.top/blog/p/momi-search