目录
[1.1 开发环境](#1.1 开发环境)
[1.2 技术栈](#1.2 技术栈)
[3.1 分词](#3.1 分词)
[3.2 正排索引（正向索引）](#3.2 正排索引（正向索引）)
[3.3 倒排索引（反向索引）](#3.3 倒排索引（反向索引）)
[3.4 搜索过程模拟](#3.4 搜索过程模拟)
1、搜索引擎的介绍
- 全网搜索 ，如：百度 ，360 ，搜狗 等。
- 站内搜索 ，如：CPlusPlus 。
- 本项目实现 的是Boost库的站内搜索 ，搜索的结果格式 如下：
- 搜索结果：
- 网页的标题 (title)。
- 网页内容的描述 (desc)。
- 网页的网址 (url)。
1.1 开发环境
- Ubuntu 22.04
- vscode
- g++
- Makefile
1.2 技术栈
- C/C++、C++11、STL。
- 准标准库 Boost(相关文件操作)。
- Jsoncpp(HTTP的序列化与反序列化)。
- cppjieba(关键词的切分)。
- cpp-httplib(构建HTTP服务器 ，因为本项目的重点是构建搜索引擎) 。
- 一些前端的技术 ：html5、css、js、jQuery、Ajax。
2、搜索引擎的宏观原理
- 直接使用，下载好的网页资源。
3、搜索过程的简单介绍
3.1 分词
-
目的 ：将文档内容 切分成 有意义的词语。
-
停止词处理 ：了、的、a、the等，一般不参与索引 。为了减少索引体积 ，提高查询效率。
-
示例：
-
文档1 ：路飞找到了onepiece -> **路飞** ，**找到** ，**onepiece**（"了"作为停止词被过滤）。
-
文档2 ：路飞当上了海贼王 -> **路飞** ，**当上** ，**海贼王**（"了"作为停止词被过滤）。
-
3.2 正排索引（正向索引）
| 文档ID | 关键词集合 |
|---|---|
| 文档1 | **路飞** ，**找到** ，**onepiece** |
| 文档2 | **路飞** ，**当上** ，**海贼王** |
- 作用 ：文档ID -> 关键词集合。
3.3 倒排索引（反向索引）
| 关键词(唯一) | 文档ID |
|---|---|
| 路飞 | 1，2 |
| 找到 | 1 |
| onepiece | 1 |
| 当上 | 2 |
| 海贼王 | 2 |
- 作用 ：关键词(唯一) -> 所有文档。
- 排序依据 ：通常还会记录权重 （如词频、位置等），用于文档排序。
3.4 搜索过程模拟
- 路飞 -> 在倒排索引中查找 -> 提取出文档1，2 -> 根据正排索引 -> 找到关键词集合+元数据 -> 提取title+desc+url并返回。