一、项目背景
公司：百度、搜狗、360搜索、头条新闻客户端 - 我们自己实现是不可能的！
实现站内搜索：搜索的数据更垂直，数据量其实更小
二、搜索引擎相关宏观原理
用户通过客户端（例如浏览器，应用程序）上传搜索关键字，客户端以HTTP请求方式进行搜索任务。服务端主机根据关键字通过已经建立好的索引（如果是全网搜索，搜索引擎会定期向全网网站进行爬虫，建立和更新索引；对于站内搜索，则时可以在服务启动前就建立好索引）进行检索得到相关html，拼接多个网页的 title + desc + url，构建一个新的网页，返回给用户。
三、技术栈和项目环境
技术栈: C/C++ C++11, STL, 准标准库Boost，Jsoncpp，cppjieba，cpp-httplib ,
选学： html5，css，js、jQuery、Ajax项目环境： Centos 7云服务器，vim/gcc(g++)/Makefile , vs2019 or vs code
四、正排索引 和 倒排索引 - 搜索引擎具体原理
文档1： 雷军买了四斤小米
文档2： 雷军发布了小米手机正排索引：文档id 与 正文 映射关系
倒排索引：关键字 与 文档id，权重 映射关系
模拟一次查找的过程：
用户输入：小米 -> 倒排索引中查找 -> 提取出文档ID(1,2) -> 根据正排索引 -> 找到文档的内容 ->title+conent（desc）+url 文档结果进行摘要-> 构建响应结果
五、外部库使用
5.1 boost文件系统
boost文件系统filesystem使用：boost::filesystem 暂时取别名为fs
1）fs::recursive_directory_iterator 递归迭代器，默认构造可以代表end，传值构造的值要用目录。作用：递归式地遍历目录下所有的文件（包括目录）
2）fs::is_regular_file(路径)，判断是否是常规文件
3）fs::extension(路径)，获取拓展名，即文件后缀
4）反向迭代器->path().string()，获取当前路径字符串
5.2 boost切分字符串 和 大小写转换
头文件：<boost/algorithm/string.hpp>
boost::split(*out, target, boost::is_any_of(sep), boost::token_compress_on);
- std::vector<std::string> *out存放截取后的字符串
- target为要截取的字符串
- sep为分隔符，可以是多个
- token_compress_on表示连续分隔符中间的空串不保留；反之off保留
头文件：<boost/algorithm/string/case_conv.hpp>
to_lower 和 to_upper 大小写转换，会改变源字符串
copy_to_lower 和 copy_to_upper 不会改变源字符串
5.3 cppjieba使用
https://github.com/yanyiwu/cppjieba/archive/refs/tags/v5.0.3.tar.gz
选择使用5.0.3版本
注意事项：将cppjieba-5.0.3/deps/limonp目录拷贝到 cppjieba-5.0.3/include/cppjieba使用jieba.CutForSearch(string, vector<string>)
将原始str进行切词，放到vector<string>内部
5.4 cpp-httplib库使用
https://github.com/yhirose/cpp-httplib
高版本gcc，添加到启动脚本：~/.bash_profile特别注意：listen要放在最后面，listen启动
set_base_dir：设置web根目录
Get：设置http请求方法GET，第一个参数uri为"/hi"，第二个参数回调std::function<void(const httplib::Request &, httplib::Response &)>
六、整体逻辑梳理
模块一：数据清洗
1）读取所有html文件路径
2）读取文件路径对应内容，进行数据清洗（取标题，去标签留内容，拼接url）
3）根据格式写到文件里
模块二：建立索引
建立单个索引逻辑：
1）根据一行内容，按格式分割出来，插入到正排索引数组，建立正排索引，返回刚插入的正排节点指针
2）对正排对象的title和content分别进行分词，记录到数组中
3）用哈希表，以分词作为key，
struct Cnt
{
size_t titleCnt = 0;
size_t contentCnt = 0
}; 作为value
对title分词和content分词数量分别进行统计（特别地，分词要转成小写）
4）遍历哈希表，Index中记录倒排拉链的哈希表（关键字，倒排拉链）用分词.push_back(倒排节点)；倒排节点的id填1）正排节点指针对应的id，word填分词，weight = 标题关键字数量*10 + 正文关键字
建立所有索引：循环读取一行数据清洗后的文件结果，将这一行数据给建立单个索引
模块三：搜索模块
初始化逻辑：
1）获取index单例
2）建立index所有索引
搜索逻辑：
1）将query进行分词，结果记录到数组
2）创建umap(文档id，倒排打印节点)，遍历分词结果，判断query分词是否有对应的倒排拉链
a.没有，continue
b.有，遍历倒排拉链，用umap倒排节点._id，赋值id，累加相同id的权值，尾插相同id的关键字（目的：query中出现两个及以上的关键字来自同一个文档时，结果会出现多份相同url，为了避免这种情况，使用umap让id作为key值，去重id）
3）将umap中倒排打印节点拷贝到数组中，按照totalWeight进行排序
4）遍历倒排打印节点数组，用id查正排，获得正排节点指针，将其id，分词数组第一个元素content摘要，url用cppjson库序列化成json串
5）输出型参数json_string带出json串
模块四：http服务模块
整体逻辑：
1）建立Searcher对象
2）建立http服务对象
3）设置web根目录，注册HTTP请求方式为Get方式的回调方法：由前端页面提供query字符串，后端调用Searcher对象的搜索方法得到结果json串，将json串返回给前端页面
4）设置监听任意IP，设置端口号，启动监听
细节点：
对于去掉暂停词：
1）建立unordered_set读上来cppjieba的停止词文件
2）将切分词后的结果拷贝到链表中
3）链表去比对停止词来进行删除
4）链表去除停止词后的结果拷贝回结果数组中
注：双向链表任意位置删除时间复杂度O(1)，数组任意位置删除时间复杂度O(N)，删除用链表可以大大提高建立索引的过程。
七、项目源码
Linux-remote: linux远程仓库
https://gitee.com/its-quite-six/linux-remote/tree/master/BoostProject