基于JAVA搜索引擎的设计与实现.doc

1、 摘 要网络中的资源非常丰富，但是如何有效的搜索信息却是一件困难的事情。建立搜索引擎就是解决这个问题的最好方法。本文首先详细介绍了基于英特网的搜索引擎的系统结构，然后从网络机器人、索引引擎、Web服务器三个方面进行详细的说明。为了更加深刻的理解这种技术，本人还亲自实现了一个自己的搜索引擎新闻搜索引擎。新闻搜索引擎是从指定的Web页面中按照超连接进行解析、搜索，并把搜索到的每条新闻进行索引后加入数据库。然后通过Web服务器接受客户端请求后从索引数据库中搜索出所匹配的新闻。本人在介绍搜索引擎的章节中除了详细的阐述技术核心外还结合了新闻搜索引擎的实现代码来说明，图文并茂、易于理解。关键词：搜索引擎；

2、网络蜘蛛；搜索策略25 AbstractThe resources in the internet are abundant, but it is a difficult job to search some useful information. So a search engine is the best method to solve this problem. This article fist introduces the system structure of search engine based on the internet in detail, then gives a m

3、inute explanation form Spider search, engine and web server. In order to understand the technology more deeply, I have programmed a news search engine by myself.The news search engine is explained and searched according to hyperlink from a appointed web page, then indexes every searched information

4、and adds it to the index database. Then after receiving the customers requests from the web server, it soon searches the right news form the index engine,In the chapter of introducing search engine, it is not only elaborate the core technology, but also combine with the modern code, pictures include

5、d, easy to understand.Key Words：Search engine；Web spider；Search strategy 目 录摘 要IAbstractII引 言11 搜索引擎的结构21.1搜索引擎系统概述21.2搜索引擎的构成21.2.1网络蜘蛛21.2.2索引与搜索21.2.3 Web服务器31.3搜索引擎的主要指标及分析32 网络机器人42.1什么是网络机器人42.2网络机器人的结构分析42.2.2 Spider程序结构42.2.3如何构造Spider程序52.2.4如何提高程序性能72.2.5网络机器人的代码分析73 基于lucene的索引与搜索、tomcat

6、服务器103.1什么是Lucene全文检索103.2 Lucene的原理分析103.2.1客户端设计103.2.2全文检索的实现机制113.2.3 Lucene的索引效率113.2.4 中文切分词机制133.2.5服务端设计143.3 Lucene与Spider的结合153.3.1如何解析HTML163.4 基于Tomcat的Web服务器193.5在Tomcat上部署项目194 搜索引擎策略214.1简介214.2面向主题的搜索策略214.2.1导向词214.2.2网页评级214.2.3权威网页和中心网页22结 论23参考文献24致 谢25引 言面对浩瀚的网络资源，搜索引擎为所有网上冲浪的用户

7、提供了一个入口，毫不夸张的说，所有的用户都可以从搜索出发到达自己想去的网上任何一个地方。因此它也成为除了电子邮件以外最多人使用的网上服务。搜索引擎技术伴随着WWW的发展是引人注目的。搜索引擎大约经历了三代的更新发展：第一代搜索引擎出现于1994 年前后。以Altavista， Yahoo 和Infoseek为代表，注重反馈结果的数量，主要特征是“求全”。它主要依靠人工分拣的分类目录搜索，通常由网页制作人自行建立网站名称、网站内容的文字摘要，并将其加入到搜索引擎的资料库中。搜索引擎根据用户键入的信息，根据预先设定的规则进行简单的匹配、排序和显示。这种方法只能进行简单的字符串匹配，无法进行全文搜索

8、。研究表明，搜索引擎性能并没有想象中的那么优秀，在全球11 个主要的搜索引擎中，搜索引擎仅能搜索到国际互联网上全部页面的16%，甚至更低，造成这种情况的原因，主要是这些搜索引擎没有及时更新资料。第二代搜索引擎，利用超链接分析为基础的机器抓取技术，由搜索引擎使用一个程序在网络上撷取资料，并自动将得到的结果存入索引库中。搜索引擎根据用户键入的信息进行匹配、排序和显示。这些引擎的主要特点是提高了查准率，可以用“求精”来描述它的优点，即不需要网站制作人单独键入供搜索的信息，并且从理论上讲，可将任意网站的所有网页加入到它的资料库中。第二代搜索引擎的大多数查询都会返回成千上万条信息，查询结果中无关信息太多

9、，而且查询结果显示比较混乱，使用者仍然难以找到真正想要的资料。第三代搜索引擎是对第二代搜索引擎的改进，相对于前两代，其更注重智能化和用户使用的个性化，主要增加了互动性和个性化等高级的技术，采用了中文自动分类、自动聚类等人工智能技术，而且使用了中文内容分析技术以及区域智能识别技术，增强了搜索引擎的查询能力。同时，搜索技术将更加智能化，可搜索资源将更加广泛，搜索方式也将更加便捷有效，为用户使用搜索引擎获取信息获得更好的体验。在美国搜索引擎通常指的是基于因特网的搜索引擎，他们通过网络机器人程序收集上千万到几亿个网页，并且每一个词都被搜索引擎索引，也就是我们说的全文检索。著名的因特网搜索引擎包括Fir

10、st Search、Google、HotBot等。本人这里研究的就是基于因特网的搜索技术。1 搜索引擎的结构1.1搜索引擎系统概述搜索引擎是根据用户的查询请求，按照一定算法从索引数据中查找信息返回给用户。为了保证用户查找信息的精度和新鲜度，搜索引擎需要建立并维护一个庞大的索引数据库。一般的搜索引擎由网络机器人程序、索引与搜索程序、索引数据库等部分组成。WWW文档网络机器人程序建立Lucene索引从数据库中搜索信息Tomcat服务器Lucene索引数据库WWW浏览器WWW浏览器JSP网络机器人程序系统结构图1.2搜索引擎的构成1.2.1网络蜘蛛网络蜘蛛也称为“网络机器人”(Spider)，是一个

11、功能很强的WEB扫描程序。它可以在扫描WEB页面的同时检索其内的超链接并加入扫描队列等待以后扫描。因为WEB中广泛使用超链接，所以一个Spider程序理论上可以访问整个WEB页面。为了保证网络机器人遍历信息的广度和深度需要设定一些重要的链接并制定相关的扫描策略。1.2.2索引与搜索网络机器人将遍历得到的页面存放在临时数据库中，如果通过SQL直接查询信息速度将会难以忍受。为了提高检索效率，需要建立索引，按照倒排文件的格式存放。如果索引不及时跟新的话，用户用搜索引擎也不能检索到。用户输入搜索条件后搜索程序将通过索引数据库进行检索然后把符合查询要求的数据库按照一定的策略进行分级排列并且返回给用户。1

12、.2.3 Web服务器 客户一般通过浏览器进行查询，这就需要系统提供Web服务器并且与索引数据库进行连接。客户在浏览器中输入查询条件，Web服务器接收到客户的查询条件后在索引数据库中进行查询、排列然后返回给客户端。1.3搜索引擎的主要指标及分析搜索引擎的主要指标有响应时间、召回率、准确率、相关度等。这些指标决定了搜索引擎的技术指标。搜索引擎的技术指标决定了搜索引擎的评价指标。好的搜索引擎应该是具有较快的反应速度和高召回率、准确率的，当然这些都需要搜索引擎技术指标来保障。召回率：一次搜索结果中符合用户要求的数目与用户查询相关信息的总数之比。准确率：一次搜索结果中符合用户要求的数目与该次搜索结果总

13、数之比。相关度：用户查询与搜索结果之间相似度的一种度量。精确度：对搜索结果的排序分级能力和对垃圾网页的抗干扰能力。2 网络机器人2.1什么是网络机器人网络机器人又称为Spider程序，是一种专业的Bot程序。用于查找大量的Web页面。它从一个简单的Web页面上开始执行，然后通过其超链接在访问其他页面，如此反复理论上可以扫描互联网上的所有页面。基于因特网的搜索引擎是Spider的最早应用。例如搜索巨头Google公司，就利用网络机器人程序来遍历Web站点，以创建并维护这些大型数据库。网络机器人还可以通过扫描Web站点的主页来得到这个站点的文件清单和层次机构。还可以扫描出中断的超链接和拼写错误等。

14、2.2网络机器人的结构分析Internet是建立在很多相关协议基础上的，而更复杂的协议又建立在系统层协议之上。Web就是建立在HTTP ( Hypertext Transfer Protocol ) 协议基础上，而HTTP又是建立在TCP/IP ( Transmission Control Protocol / Internet Protocol ) 协议之上，它同时也是一种Socket协议。所以网络机器人本质上是一种基于Socket的网络程序。2.2.2 Spider程序结构网络机器人必须从一个网页迁移到另一个网页，所以必须找到该页面上的超连接。程序首先解析网页的HTML代码，查找该页面内的

15、超连接然后通过递归和非递归两种结构来实现Spider程序。递归结构：递归是在一个方法中调用自己本身的程序设计技术。虽然比较容易实现但耗费内存且不能使用多线程技术，故不适合大型项目。非递归结构：这种方法使用队列的数据结构，当Spider程序发现超连接后并不调用自己本身而是把超连接加入到等待队列中。当Spider程序扫描完当前页面后会根据制定的策略访问队列中的下一个超连接地址。虽然这里只描述了一个队列，但在实际编程中用到了四个队列，他们每个队列都保存着同一处理状态的URL。（1）等待队列：在这个队列中，URL等待被Spider程序处理。新发现的URL也被加入到这个队列中。（2）处理队列：当Spid

16、er程序开始处理时，他们被送到这个队列中。（3）错误队列：如果在解析网页时出错，URL将被送到这里。该队列中的URL不能被移入其他队列中。（4）完成队列：如果解析网页没有出错，URL将被送到这里。该队列中的URL不能被移入其它队列中。在同一时间URL只能在一个队列中，我们把它称为URL的状态。发现URL等待队列运行队列完成队列错误队列完成URL以上的图表示了队列的变化过程，在这个过程中，当一个URL被加入到等待队列中时Spider程序就会开始运行。只要等待队列中有一个网页或Spider程序正在处理一个网页，程序就会继续他的工作。当等待队列为空并且当前没有任何网页时，Spider程序就会停止它的

17、工作。2.2.3如何构造Spider程序在构造Spider程序之前我们先了解下程序的各个部分是如何共同工作的。以及如何对这个程序进行扩展。IspiderReportable接口：这是一个必须实现的接口，可以通过回调函数接受Spider所遇到的页面。接口定义了Spider向他的控制者发送的几个事件。通过提供对每个事件的处理程序，可以创建各种Spider程序。下面是他的接口声明：public interface IspiderReportablepublic boolean foundInternalLink(String url);public boolean foundExternalLink

18、(String url);public boolean foundOtherLink(String url);public void processPage(HTTP page);public void completePage(HTTP page,boolean error);public boolean getRemoveQuery();public void SpiderComplete();程序扩展流程图如下所示：把URL加入等待队列Spider程序工作完成等待队列中是否有URL？否下载从等待队列中得到的网页，并将他送入运行队列中。是这个网页包含其他超级连接吗？将这一网页送入完成队列并

19、继续查看网页上的下一个超连接是否为指向Web的连接？报告其他类型连接连接是否与网页所在主机不同且只处理本地连接？报告外部连接报告网页连接将连接加入等候队列否是否是否是2.2.4如何提高程序性能Internet中拥有海量的Web页面，如果开发出高效的Spider程序是非常重要的。下面就来介绍下几种提高性能的技术：(1)Java的多线程技术线程是通过程序的一条执行路线。多线程是一个程序同时运行多个任务的能力。它是在一个程序的内部进行分工合作。优化程序的通常方法是确定瓶颈并改进他。瓶颈是一个程序中最慢的部分，他限制了其他任务的运行。据个例子说明：一个Spider程序需要下载十个页面，要完成这一任务，

20、程序必须向服务器发出请求然后接受这些网页。当程序等待响应的时候其他任务不能执行，这就影响了程序的效率。如果用多线程技术可以让这些网页的等待时间合在一起，不用互相影响，这就可以极大的改进程序性能。(2)数据库技术当Spider程序访问一个大型Web站点时，必须使用一种有效的方法来存储站点队列。这些队列管理Spider程序必须维护大型网页的列表。如果把他们放在内存中将会是性能下降，所以我们可以把他们放在数据库中减少系统资源的消耗。2.2.5网络机器人的代码分析程序结构图如下： 程序代码实现如下：package news;import com.heaton.bot.HTTP;import com.h

21、eaton.bot.HTTPSocket;import com.heaton.bot.ISpiderReportable;import com.heaton.bot.IWorkloadStorable;import com.heaton.bot.Spider;import com.heaton.bot.SpiderInternalWorkload;/* * 构造一个Bot程序 */public class Searcher implements ISpiderReportable public static void main(String args) throws Exception IWo

22、rkloadStorable wl = new SpiderInternalWorkload(); Searcher _searcher = new Searcher(); Spider _spider = new Spider(_searcher, http:/localhost:8080/myapp/News.htm, new HTTPSocket(), 100, wl); _spider.setMaxBody(100); _spider.start(); / 发现内部连接时调用，url表示程序发现的URL，若返回true则加入作业中，否则不加入。 public boolean found

23、InternalLink(String url) return false; / 发现外部连接时调用，url表示程序所发现的URL，若返回true则把加入作业中，否则不加入。 public boolean foundExternalLink(String url) return false; / 当发现其他连接时调用这个方法。其他连接指的是非HTML网页，可能是E-mail或者FTP public boolean foundOtherLink(String url) return false; / 用于处理网页，这是Spider程序要完成的实际工作。 public void processPa

24、ge(HTTP http) System.out.println(扫描网页： + http.getURL(); new HTMLParse(http).start(); / 用来请求一个被处理的网页。 public void completePage(HTTP http, boolean error) / 由Spider程序调用以确定查询字符串是否应删除。如果队列中的字符串应当删除，方法返回真。 public boolean getRemoveQuery() return true; / 当Spider程序没有剩余的工作时调用这个方法。 public void spiderComplete()

25、 3 基于lucene的索引与搜索、tomcat 服务器3.1什么是Lucene全文检索Lucene是Jakarta Apache的开源项目。它是一个用Java写的全文索引引擎工具包，可以方便的嵌入到各种应用中实现针对应用的全文索引/检索功能。3.2 Lucene的原理分析3.2.1客户端设计一个良好的查询界面非常重要，例如Googl就以她简洁的查询界面而闻名。我在设计的时候也充分考虑了实用性和简洁性。查询界面截图如下：搜索结果截图如下：3.2.2全文检索的实现机制Lucene的API接口设计的比较通用，输入输出结构都很像数据库的表=记录=字段，所以很多传统的应用的文件、数据库等都可以比较方便

26、的映射到Lucene的存储结构和接口中。总体上看：可以先把Lucene当成一个支持全文索引的数据库系统。索引数据源：doc(field1,field2.) doc(field1,field2.) indexer / _ | Lucene Index| - / searcher 结果输出：Hits(doc(field1,field2) doc(field1.)Document：一个需要进行索引的“单元”，一个Document由多个字段组成Field：字段Hits：查询结果集，由匹配的Document组成3.2.3 Lucene的索引效率通常书籍后面常常附关键词索引表（比如：北京：12, 34页，

27、上海：3,77页），它能够帮助读者比较快地找到相关内容的页码。而数据库索引能够大大提高查询的速度原理也是一样，想像一下通过书后面的索引查找的速度要比一页一页地翻内容高多少倍而索引之所以效率高，另外一个原因是它是排好序的。对于检索系统来说核心是一个排序问题。由于数据库索引不是为全文索引设计的，因此，使用like %keyword%时，数据库索引是不起作用的，在使用like查询时，搜索过程又变成类似于一页页翻书的遍历过程了，所以对于含有模糊查询的数据库服务来说，LIKE对性能的危害是极大的。如果是需要对多个关键词进行模糊匹配：like%keyword1% and like %keyword2% .

28、其效率也就可想而知了。所以建立一个高效检索系统的关键是建立一个类似于科技索引一样的反向索引机制，将数据源（比如多篇文章）排序顺序存储的同时，有另外一个排好序的关键词列表，用于存储关键词=文章映射关系，利用这样的映射关系索引：关键词=出现关键词的文章编号，出现次数（甚至包括位置：起始偏移量，结束偏移量），出现频率，检索过程就是把模糊查询变成多个可以利用索引的精确查询的逻辑组合的过程。从而大大提高了多关键词查询的效率，所以，全文检索问题归结到最后是一个排序问题。由此可以看出模糊查询相对数据库的精确查询是一个非常不确定的问题，这也是大部分数据库对全文检索支持有限的原因。Lucene最核心的特征是通过

29、特殊的索引结构实现了传统数据库不擅长的全文索引机制，并提供了扩展接口，以方便针对不同应用的定制。可以通过以下表格对比一下数据库的模糊查询：Lucene全文索引引擎数据库索引将数据源中的数据都通过全文索引一一建立反向索引对于LIKE查询来说，数据传统的索引是根本用不上的。数据需要逐个便利记录进行GREP式的模糊匹配，比有索引的搜索速度要有多个数量级的下降。匹配效果通过词元(term)进行匹配，通过语言分析接口的实现，可以实现对中文等非英语的支持。使用：like %net% 会把netherlands也匹配出来，多个关键词的模糊匹配：使用like %com%net%：就不能匹配词序颠倒的匹配度有匹

30、配度算法，将匹配程度（相似度）比较高的结果排在前面。没有匹配程度的控制：比如有记录中net出现5词和出现1次的，结果是一样的。结果输出通过特别的算法，将最匹配度最高的头100条结果输出，结果集是缓冲式的小批量读取的。返回所有的结果集，在匹配条目非常多的时候（比如上万条）需要大量的内存存放这些临时结果集。可定制性通过不同的语言分析接口实现，可以方便的定制出符合应用需要的索引规则（包括对中文的支持）没有接口或接口复杂，无法定制结论高负载的模糊查询应用，需要负责的模糊查询的规则，索引的资料量比较大使用率低，模糊匹配规则简单或者需要模糊查询的资料量少3.2.4 中文切分词机制对于中文来说，全文索引首先

31、还要解决一个语言分析的问题，对于英文来说，语句中单词之间是天然通过空格分开的，但亚洲语言的中日韩文语句中的字是一个字挨一个，所有，首先要把语句中按“词”进行索引的话，这个词如何切分出来就是一个很大的问题。首先，肯定不能用单个字符作(si-gram)为索引单元，否则查“上海”时，不能让含有“海上”也匹配。但一句话：“北京天安门”，计算机如何按照中文的语言习惯进行切分呢？“北京 天安门” 还是“北 京 天安门”？让计算机能够按照语言习惯进行切分，往往需要机器有一个比较丰富的词库才能够比较准确的识别出语句中的单词。另外一个解决的办法是采用自动切分算法：将单词按照2元语法(bigram)方式切分出来，

32、比如：北京天安门 = 北京 京天 天安 安门。这样，在查询的时候，无论是查询北京 还是查询天安门，将查询词组按同样的规则进行切分：北京，天安安门，多个关键词之间按与and的关系组合，同样能够正确地映射到相应的索引中。这种方式对于其他亚洲语言：韩文，日文都是通用的。基于自动切分的最大优点是没有词表维护成本，实现简单，缺点是索引效率低，但对于中小型应用来说，基于2元语法的切分还是够用的。基于2元切分后的索引一般大小和源文件差不多，而对于英文，索引文件一般只有原文件的30%-40%不同，自动切分词表切分实现实现非常简单实现复杂查询增加了查询分析的复杂程度，适于实现比较复杂的查询语法规则存储效率索引冗

33、余大，索引几乎和原文一样大索引效率高，为原文大小的30左右维护成本无词表维护成本词表维护成本非常高：中日韩等语言需要分别维护。还需要包括词频统计等内容适用领域嵌入式系统：运行环境资源有限分布式系统：无词表同步问题多语言环境：无词表维护成本对查询和存储效率要求高的专业搜索引擎3.2.5服务端设计主要利用JavaTM Servlet技术实现，用户通过GET方法从客户端向服务端提交查询条件，服务端通过Tomcat的Servlet容器接受并分析提交参数，再调用lucene的开发包进行搜索操作。最后把搜索的结果以HTTP消息包的形式发送至客户端，从而完成一次搜索操作。Servlet是一种独立于平台和协议

34、的服务器端的Java应用程序，可以生成动态的Web页面。它担当Web浏览器或其他HTTP客户程序发出请求，与HTTP服务器上的数据库或应用程序之间的中间层。Servlet是位于Web 服务器内部的服务器端的Java应用程序，与传统的从命令行启动的Java应用程序不同，Servlet由Web服务器进行加载，该Web服务器必须包含支持Servlet的Java虚拟机。服务端Servlet程序的结构如下：实现的关键代码如下：public void Search(String qc, PrintWriter out) throws Exception / 从索引目录创建索引 IndexSearcher

35、_searcher = new IndexSearcher(c:newsindex); / 创建标准分析器 Analyzer analyzer = new ChineseAnalyzer(); / 查询条件 String line = qc; / Query是一个抽象类 Query query = QueryParser.parse(line, title, analyzer);3.3 Lucene与Spider的结合首先构造一个Index类用来实现对内容进行索引。先在C盘新建一个News文件夹，再在News下面新建一个index子文件夹，这一步是必需要的，因为这个文件夹是用来保存搜索到的结果

36、。否则当搜索所要的网页之后，从而导致无法得到结果。先进入JBuilder9.0的安装目录下你所使用的tomcat文件夹，运行文件夹里的startup.bat，这样就启动了JBuilder9.0自带的tomcat服务器。现在你用JBuilder9.0打开News这个工程运行，运行结果就会显示搜索到多少条新闻。如果不运行tomcat服务器是搜索不到新闻的。网络蜘蛛是一种能自动到网上查找信息的一种程序，该程序具有高度的自动性，只要告诉他一个网站，他就可以从这个网站开始依次通过该网站的链接自动抓取链接内容以及网址，然后就顺着这些链接一直抓下去。代码分析如下：package news;import ja

37、va.io.IOException;import .ChineseAnalyzer;import org.apache.lucene.document.Document;import org.apache.lucene.document.Field;import org.apache.lucene.index.IndexWriter;public class Index IndexWriter _writer = null; Index() throws Exception _writer = new IndexWriter(c:Newsindex, new ChineseAnalyzer()

38、, true); /* * 把每条新闻加入索引中 * param url 新闻的url * param title 新闻的标题 * throws java.lang.Exception */ void AddNews(String url, String title) throws Exception Document _doc = new Document(); _doc.add(Field.Text(title, title); _doc.add(Field.UnIndexed(url, url); _writer.addDocument(_doc); /* * 优化并且清理资源 * th

39、rows java.lang.Exception */ void close() throws Exception _writer.optimize(); _writer.close(); 然后构造一个HTML解析类，把通过bot程序收集的新闻内容进行索引。3.3.1如何解析HTML因为Web中的信息都是建立在HTML协议之上的，所以网络机器人在检索网页时的第一个问题就是如何解析HTML。在解决如何解析之前，先来介绍下HTML中的几种数据。（1）文本：除了脚本和标签之外的所有数据。（2）注释：程序员留下的说明文字，对用户是不可见的。（3）简单标签：由单个表示的HTML标签。（4）开始标签和结束

40、标签：用来控制所包含的HTML代码。我们在进行解析的时候不用关心所有的标签，只需要对其中几种重要的进行解析即可。超连接标签：超连接定义了WWW通过Internet链接文档的功能。他们的主要目的是使用户能够任意迁移到新的页面，这正是网络机器人最关心的标签。图像映射标签：图像映射是另一种非常重要的标签。它可以让用户通过点击图片来迁移到新的页面中。表单标签：表单是Web页面中可以输入数据的单元。许多站点让用户填写数据然后通过点击按钮来提交内容，这就是表单的典型应用。表格标签：表格是HTML的构成部分，通常用来格式化存放、显示数据。我们在具体解析这些HTMl标签有两种方法：通过JavaTM中的Swin

41、g类来解析或者通过Bot包中的HTMLPage类来解析，本人在实际编程中采用后者。Bot包中的HTMLPage类用来从指定URL中读取数据并检索出有用的信息。下面给出该类几种重要的方法。HTMLPage构造函数 构造对象并指定用于通讯的HTTP对象Public HTMLPage(HTTP http)GetForms方法 获取最后一次调用Open方法检索到的表单清单Public Vector getForms()GetHTTP方法 获取发送给构造函数的HTTP对象Public HTTP getHTTP()GetImage方法 获取指定页面的图片清单Public Vector getImage()

42、GetLinks方法 获取指定页面的连接清单Public Vector getLinks()Open方法 打开一个页面并读入该页面，若指定了回调对象则给出所有该对象数据Public void open(String url,HTMLEditorKit.ParserCallback a)代码分析如下：package news;import java.util.Iterator;import java.util.Vector;import com.heaton.bot.HTMLPage;import com.heaton.bot.HTTP;import com.heaton.bot.Link;pu

43、blic class HTMLParse HTTP _http = null; public HTMLParse(HTTP http) _http = http; /* * 对Web页面进行解析后建立索引 */ public void start() try HTMLPage _page = new HTMLPage(_http); _page.open(_http.getURL(), null); Vector _links = _page.getLinks(); Index _index = new Index(); Iterator _it = _links.iterator(); in

44、t n = 0; while (_it.hasNext() Link _link = (Link) _it.next(); String _herf = input(_link.getHREF().trim(); String _title = input(_link.getPrompt().trim(); _index.AddNews(_herf, _title); n+; System.out.println(共扫描到 + n + 条新闻); _index.close(); catch (Exception ex) System.out.println(ex); /* * 解决java中的中文问题 * param str 输入的中文 * return 经过解码的中文 */ public static String input(String str) Strin