配置aspseek建立强大的企业级搜索引擎

建立搜索引擎
没有全文检索,企业内部的知识管理系统就不能成为成功的系统。构建一个类似 GOOGLE 的全文检索系统的是否要花费巨大呢?看看 Google 的搜索引擎软件目录吧。

我对其中的两个开放源码的搜索引擎进行了测试。htdig 是一个不错的搜索引擎软件,可惜不支持中文的检索;ASPseek 接着走入我的视线,这个软件对中文的支持非常之好,就连CGI的界面、CGI传递参数都和 GOOGLE 非常类似。

ASPseek 由三个部分组成:前端的 cgi 程序 s.cgi 提供查询界面和返回查询结果;后端的守护程序 searchd 接收cgi程序的查询请求,执行数据库查询,返回结果;后台数据库的维护则由程序 index 完成。

相关链接:

Google的搜索引擎软件目录

参见:http://dir.google.com/alpha/Top/ … net/Servers/Search/

另一个搜索引擎软件目录:

Search Tools for Web Sites and Intranets :http://www.searchtools.com/tools/tools.html

ASPseek 网站

ASPseek.org:http://www.aspseek.org/

ASPseek论坛

关于ASPseek的求助信息,可以访问ASPseek论坛:http://forum.aspseek.org/。

2.1. 安装 ASPSeek
ASPseek 安装过程比较简单,需要注意的是 ASPseek 的安装和运行需要先安装和配置 MySQL。下面是一般的安装过程(假设MySQL已经正确的安装在路径 /usr/local/mysql/ 下):

root>; tar zxvf aspseek-1.2.10.tar.gz
root>; cd aspseek-1.2.10
root>; ./configure –with-mysql=/usr/local/mysql –prefix=/usr/local/aspseek 
root>; make && make install
root>; /usr/local/aspseek/sbin/aspseek-mysql-postinstall 
root>; cp /usr/local/aspseek/bin/s.cgi <WWWROOT>;/cgi-bin/ 
root>; useadd aspseek 
root>; su – aspseek
aspseek>; /usr/local/aspseek/sbin/index  
aspseek>; /usr/local/aspseek/sbin/searchd -D

指出 mysql 的安装路径和设置 ASPseek 的安装路径

初始化 ASPseek 数据库设置。创建数据库 aspseek12,访问该数据库的用户名和口令保存在配置文件 /usr/local/aspseek/etc/db.conf 中

将cgi程序 s.cgi 程序拷贝到WEB服务器的cgi-bin目录中

为确保系统安全,创建用户 aspseek,并使用该用户的身份,进行数据索引的维护和启动搜索引擎服务程序

以 aspseek 用户的身份,进行数据索引的维护

以 aspseek 用户的身份,启动搜索引擎服务程序
2.2. 数据库维护
index 程序完成的功能包括网站爬虫、网页下载、解析、数据库维护。

2.2.1. 配置文件: aspseek.conf
aspseek.conf 是 index 程序的配置文件,告诉 index 程序为哪个网址建立索引,如果建立索引等等。

Include db.conf
UtfStorage yes
Include ucharset.conf
Period 1d
Server URL

包含 db.conf 配置文件,设置连接 MySQL 数据库的用户名、口令等。例如:DBAddr mysql://aspseek12ASSWOR-IS-HERE@localhost/aspseek12/

设定网页重建索引的间隔,作用域到下一个 Period 命令或者文件结尾。对作用域内的 Server 指定的网站有效,因此可以对不同的网站设置不同的更新频率

以 UTF-8 格式存储 MySQL 数据库中信息

配置字符集。若需要能够对中文进行检索,需要打开 CharsetTableU2 和 Dictionary2 的配置

最重要的设置。告诉 index 为哪些网站建立索引,可通过多个 Server 配置设置多个服务器。注意:如果在URL中包含路径并不能将索引限制在该目录下,仍然会对整个网站建立索引。如果想限制某些路径,使用 Disallow 配置,例如下面的配置将对网站的索引限制在 url: http://members.aol.com/midlandsda 下。Server http://www.aol.com/
Allow ^http://members.aol.com/midlandsda
Disallow ^http://www.aol.com/

2.2.2. 用 index 程序定期更新搜索引擎数据库

index -a

为所有网页重新建立索引。不使用该参数,则参考配置中的 Period 参数,只对早于这个时间的网页重建索引。

index -S

显示数据库的统计信息

通过 crontab 设置定时启动 index 重建检索

0 0 * * * su -c/usr/local/aspseek/sbin/index’ aspseek

注意要以 aspseek 用户身份执行。

2.3. searchd 后台数据库检索
searchd 是 ASPseek 的守护进程,用来接收 cgi 程序(s.cgi)的查询请求,执行查询动作(搜索由 index 程序创建的数据库),将结果反馈给 cgi 程序(s.cgi)。

2.3.1. searchd.conf
searchd 程序的配置文件。

# Port 12345
Include db.conf
UtfStorage yes
Include ucharset.conf

设置 searchd 侦听的端口。确省为 12345

包含 db.conf 配置文件,设置连接 MySQL 数据库的用户名、口令等。例如:DBAddr mysql://aspseek12ASSWOR-IS-HERE@localhost/aspseek12/

以 UTF-8 格式存储 MySQL 数据库中信息

配置字符集。若需要能够对中文进行检索,需要打开 CharsetTableU2 和 Dictionary2 的配置
2.3.2. 运行 searchd
配置开机自动执行 searchd。

#!/bin/sh
# FileName: /etc/rc.d/rc3.d/S99aspseek
# Script to control aspseek
#
 
case "$1" in
’start’)
        echo "starting aspseek server …  "
        su aspseek -c "/usr/local/aspseek/sbin/searchd -D -R"
        echo done
        ;;
’stop’)
        echo "stopping news server …  "
        killall -9 searchd
        echo done
        ;;
*)
        echo "usage: news.sh {start | stop}"
        ;;
esac

2.4. s.cgi: 具有类似GOOGLE查询界面的cgi程序
搜索引擎的界面是由 CGI 提供的。ASPseek 的CGI程序叫做 s.cgi,当然可以改成其它名字。配置则非常简单,除了要将 Apache 配置为支持 cgi 外,只需要将 s.cgi 从 /usr/local/aspseek/bin/ 目录下拷贝到 Apache 的 cgi-bin 目录下即可。配置 Apache 可能非常简单,也许一句 “ScriptAlias /cgi-bin/ /PATH/cgi-bin/” 就足够了。

我感打赌,s.cgi 一下子就会抓住你的眼球,因为 s.cgi 程序提供的一流的查询界面,和伟大的 Google 太类似了,尤其是那一排字母 “e”。

ASPseek 查询界面

s.cgi 还提供了定制界面的方案:只需要修改模板文件 /usr/local/aspseek/etc/s.htm 即可。下面是 s.htm 定制的示例(只显示重要的改动):

注意:如果将 s.cgi 改名,相应的模板也需要改名。例如 cgi 改名为 search.cgi,则相应的模板文件为 search.htm。

<!–top–>;
<HTML>;
<HEAD>;
  <META http-equiv="Content-Type" content="text/html; charset=gb2312">;  
  <LINK REL="STYLESHEET" TYPE="text/css" HREF="/inc/css/main.css"/>; 
<title>;ASPseek: $Q</TITLE>;
</HEAD>;
<BODY BGCOLOR="#FFFFFF">;
  <SCRIPT language= "javascript" src="/inc/jscript/header.js" type=text/javascript>;</script>;  
 
<FORM METHOD=GET ACTION="$A">;
<TABLE width="100%" align="center" valign="center">;
<TR>;
  <TD VALIGN=bottom>;<IMG SRC="/img/aspseek-big.png" WIDTH="168" HEIGHT="66" ALT="ASPseek" BORDER="0" ALIGN="left" HSPACE="0">;</TD>;
  <TD VALIGN=center ALIGN=center width="*">;
   <INPUT TYPE="hidden" NAME="cs" VALUE="gb2312">;  
   搜索 
   <INPUT TYPE="text" NAME="q" SIZE=30 VALUE="">; 
   <INPUT TYPE="submit" VALUE="查询知识库">;
  </TD>;
  <TD width="100">;
  </TD>;
</TR>;
</TABLE>;
</FORM>;
 
… …
… …
 
<center>;
<script language= "javascript" src="/inc/jscript/footer.js" type=text/javascript>;</script>; 
<script language= "javascript">; write_footer("Template: $Id: searchengine.xml,v 1.1 2004/02/03 05:24:10 jiangxin Exp $"); </script>; 
</center>;
 
<DIV ALIGN=right>;
<A HREF="http://www.aspseek.org/">;<IMG SRC="http://www.aspseek.com/i/pow_aseek.png" WIDTH=88 HEIGHT=31 BORDER=0 ALT="Free search engine software: ASPseek $AV">;</A>;
</BODY>;
</HTML>;
<!–/bottom–>;

将cgi查询的输出界面(HTML)的语言编码设置为中文

引用外部的样式表文件,这样可以根据需要改变查询界面而尽量少的修改模板文件。一个简单的样式表示例:

p {font-size:9pt}
h1 {font-size:20pt;line-height:130%;font-weight:"bold";align:"center";}
td,li,select,input {font-size:9pt}
.sect1 {font-size:9pt;line-height:150%;color:#333333;background-color:#E1E1E1;font-weight:bolder;}
.datetime {font-size:9pt;color="red"}
.star  {font-size:9pt;color="red"}
.gray {font-size:9pt;color="gray"}
.cvskw {font-size:9pt}
.footer           {font-size:9pt;font-weight:bolder}
.footer A:link    {font-size:9pt;font-weight:bolder}
.footer A:active  {font-size:9pt;font-weight:bolder}
.footer A:visited {font-size:9pt;font-weight:bolder}
.footer A:hover   {font-size:9pt;font-weight:bolder}
A:link {color: #000000;}
A:visited {color: #000000;}
A:active,A:hover {color : #000000}
HTML BODY { LINE-HEIGHT: 1.2; MARGIN: 0 0 2em 0 }
UL { list-style-image: url("/images/dot.gif") }
 
.em           {font-size:"9pt";color="red";font-weight:"bolder";font-style:"normal";letter-spacing:"2px";}
.em A:link    {color: "red";letter-spacing:"4px";}
.em A:active  {color: "red";letter-spacing:"4px";}
.em A:visited {color: "red";letter-spacing:"4px";}
.em A:hover   {color: "red";letter-spacing:"4px";font-size:"12pt";}
 
 
 
引用外部 javascript,显示头部信息,避免过多对该模板的修改。一个 header.js 示例:<!–
document.write("      <table width=750 border=0 cellspacing=0 cellpadding=0>;");
document.write("        <tr valign=bottom>;");
document.write("              <td width=’*'>;");
document.write("                <table width=’100%’ height=50 border=0 cellspacing=0 cellpadding=0>;");
document.write("            <tr>;");
document.write("              <td align=’center’ valign=’center’>;<h1>;<A HREF=’/'>;Johnson’s Homepage</A>;</h1>;</td>;");
document.write("            </tr>;");
document.write("                </table>;");
document.write("        </td>;</tr>;");
document.write("      </table>;");
//–>;
 
 
 
通过设置cgi的cs字段,用以支持中文查询
 
q 是真正的查询字段。看看 GOOGLE 的查询网页,看看是不是非常类似?
 
引用外部 javascript,显示脚注信息,避免过多对该模板的修改。一个 footer.js 示例:<!–
function write_footer($str)
{
        document.write("      <TABLE align=’center’ border=’0′ cellpadding=’0′ cellspacing=’0′ width=’750′>;");
        document.write("        <TR>;");
        document.write("          <td align=center>;");
        document.write("          <hr>;");
        if ($str)
                document.write("<font class=’cvskw’>;" + $str + "</font>;<br>;");
        document.write("          <font class=’footer’>;CopyLeft 2003, <a href=’mailto:johnson.AT.worldhello.net’>;Johnson</a>;</font>;<br>;");
        document.write("          </td>;");
        document.write("        </TR>;");
        document.write("      </TABLE>;");
}
//–>;

2.5. ASPseek对中文的支持
中文、日文、韩文等多字节文字不同于英文等单字节语言,是多字节语言。我们都知道英文是依靠空格和标点符号将单词分割开,搜索引擎只要依据空格和标点就可以分割出词表。对一些检索意义不大的单词,则将这些词列在所谓 stopwords 词表(又称为 badwords中),如: “a, an, and, the, …”,避免因为对这些词建立检索而耗费过多的资源。这些 stopwords 保存在目录 /usr/local/aspseek/etc/stopwords/ 中。

而中文则不能造此办理,没有空格开区分词和词组,因此需要建立相应的词表。这些词表保存在目录 /usr/local/aspseek/etc/tables/ 中。

为能够对中文文档进行检索,需要检查是否在配置文件 aspseek.conf 和 searchd.conf 配置了 “CharsetTableU2” 和 “Dictionary2″选项。这两个选项是在配置文件 ucharset.conf 中定义的,用语句 “Include ucharset.conf” 包含入配置文件 aspseek.conf 和 searchd.conf。 ucharset.conf 中”CharsetTableU2″ 和 “Dictionary2″的配置如下:

########################################################################
# Unicode charset definition for multibyte charsets
# (please comment all not needed charsets):
# CharsetTableU2 ; ;

; [;]
#
CharsetTableU2 big5 ch tables/big5.txt
CharsetTableU2 gb2312 ch tables/gb2312.txt

########################################################################
# Dictionary for tokenizing of text in Chinese, Japanese and Korean languages
# Dictionary2 ; ; [;]
# If file encoding is omitted, then file is assumed to be in unicode
# Must be set after encoding definition (CharsetTableU2)
# ; parameter must match ; in CharsetTableU2 directive.
Dictionary2 ch tables/chinese.txt big5

发表评论

电子邮件地址不会被公开。 必填项已用*标注