【信息检索课程设计】sdu新闻网站全站爬取+索引构建+搜索引擎

# README 信息检索课程设计[sdu视点新闻](http://view.sdu.edu.cn/)全站爬虫爬取+索引构建+搜索引擎查询练习程序（1805）。 >爬虫功能使用Python的scrapy库实现，并用MongoDB数据库进行存储。 > >索引构建和搜索功能用Python的Whoosh和jieba库实现。（由于lucene是java库，所以pyLucene库的安装极其麻烦，因此选用Python原生库Whoosh实现，并使用jieba进行中文分词。） > >搜索网页界面用django实现，页面模板套用[BootCDN](http://www.bootcdn.cn/)。 ## 1 要求 以下是检索的基本要求：可以利用lucene、nutch等开源工具，利用Python、Java等编程语言，但需要分别演示并说明原理。 * 1. __Web网页信息抽取__ 以山东大学新闻网为起点进行网页的循环爬取，保持爬虫在view.sdu.edu.cn之内（即只爬取这个站点的网页），爬取的网页数量越多越好。 * 2. __索引构建__ 对上一步爬取到的网页进行结构化预处理，包括基于模板的信息抽取、分字段解析、分词、构建索引等。 * 3. __检索排序__ 对上一步构建的索引库进行查询，对于给定的查询，给出检索结果，明白排序的原理及方法。 ## 2 运行方式 * 运行`sduspider/run.py`来进行网络爬虫，这个过程将持续十多个小时，但可以随时终止，在下次运行时继续。 * 运行`indexbuilder/index_builder.py`来对数据库中的72000条数据构建索引，该过程将持续几个小时，但可以随时终止。 * 如果不熟悉Whoosh库的构建索引和query搜索功能，可以参考运行`indexbuilder/sample.py`。 * 运行`indexbuilder/query.py`来测试搜索功能。 * 运行`searchengine/run_server.py`打开搜索网页服务器，在浏览器中打开[127.0.0.1:8000](127.0.0.1:8000)进入搜索页面执行搜索。 ## 3 所需python库 * scrapy * requests * pymongo * whoosh * jieba * django ## 4 所需数据库 * MongoDB * Mongo Management Studio 可视化工具（可选） ## 5 爬虫特性 爬虫代码位于`sduspider/`目录下。 ### 5.1 爬取内容 爬虫爬取以 [http://www.view.sdu.edu.cn/info/](http://www.view.sdu.edu.cn/info/) 打头的所有新闻页面的内容，这些内容包括： |Item|Item name| |---|---| |标题|newsTitle| |链接|newsUrl| |阅读量|newsCliek| |发布时间|newsPublishTime| |文章内容|newsContent| ```python # spider.py # 爬取当前网页 print('start parse : ' + response.url) self.destination_list.remove(response.url) if response.url.startswith("http://www.view.sdu.edu.cn/info/"): item = NewsItem() for box in response.xpath('//div[@class="new_show clearfix"]/div[@class="le"]'): # article title item['newsTitle'] = box.xpath('.//div[@class="news_tit"]/h3/text()').extract()[0].strip() # article url item['newsUrl'] = response.url item['newsUrlMd5'] = self.md5(response.url) # article click time item['newsClick'] = box.xpath('.//div[@class="news_tit"]/p/span/script/text()').extract()[0].strip() pattern = re.compile(r'\(.*?\)') parameters = re.search(pattern, item['newsClick']).group(0) parameters = parameters[1:-1].split(',') parameters[0] = re.search(re.compile(r'\".*?\"'), parameters[0]).group(0)[1:-1] parameters[1] = parameters[1].strip() parameters[2] = parameters[2].strip() request_url = 'http://www.view.sdu.edu.cn/system/resource/code/news/click/dynclicks.jsp' request_data = {'clicktype': parameters[0], 'owner': parameters[1], 'clickid': parameters[2]} request_get = requests.get(request_url, params=request_data) item['newsClick'] = request_get.text # article publish time item['newsPublishTime'] = box.xpath('.//div[@class="news_tit"]/p[not(@style)]/text()').extract()[0].strip()[5:] # article content item['newsContent'] = box.xpath('.//div[@class="news_content"]').extract()[0].strip() regexp = re.compile(r'<[^>]+>', re.S) item['newsContent'] = regexp.sub('',item['newsContent']) # delete templates <> # 索引构建flag item['indexed'] = 'False' # yield it yield item ``` ### 5.2 宽度优先搜索爬取 爬虫基于宽度优先搜索，对[http://www.view.sdu.edu.cn/](http://www.view.sdu.edu.cn/)区段的网址进行爬取，并将[http://www.view.sdu.edu.cn/info/](http://www.view.sdu.edu.cn/info/)区段的新闻内容提取出来。 ```python # settings.py # 先进先出，广度优先 DEPTH_PRIORITY = 1 SCHEDULER_DISK_QUEUE = 'scrapy.squeue.PickleFifoDiskQueue' SCHEDULER_MEMORY_QUEUE = 'scrapy.squeue.FifoMemoryQueue' ``` ### 5.3 二分法去重 所有已经爬取过的网址都会以MD5特征的形式顺序存储在list中，当获取新的url时，通过二分法查找list中是否存在该url的特征值，以达到去重的目的。 Scrapy库自带了查重去重的功能，但为了保证效率，自行编写了二分法去重，但并未关闭scrapy库自带的去重功能。 ```python # spider.py # md5 check md5_url = self.md5(real_url) if self.binary_md5_url_search(md5_url) > -1: # 二分法查找存在当前MD5 pass else: self.binary_md5_url_insert(md5_url) # 二分法插入当前MD5 self.destination_list.append(real_url) # 插入爬虫等待序列 yield scrapy.Request(real_url, callback=self.parse, errback=self.errback_httpbin) ``` ### 5.4 断点续爬 每爬取一定次数后都会将当前爬虫状态存储在pause文件夹下，重新运行爬虫时会继续上一次保存的断点进行爬取。Scrapy有自带的断点续爬功能（在settings.py中设置），但貌似在Pycharm中行不通。 ```python # spider.py # counter++，并在合适的时候保存断点 def counter_plus(self): print('待爬取网址数：' + (str)(len(self.destination_list))) # 断点续爬功能之保存断点 if self.counter % self.save_frequency == 0: # 爬虫经过save_frequency次爬取后 print('Rayiooo：正在保存爬虫断点....') f = open('./pause/response.seen', 'wb') pickle.dump(self.url_md5_seen, f) f.close() f = open('./pause/response.dest', 'wb') pickle.dump(self.destination_list, f) f.close() self.counter = self.save_frequency self.counter += 1 # 计数器+1 ``` ### 5.5 数据存入MongoDB 关系类数据库不适用于爬虫数据存储，因此使用非关系类数据库MongoDB。数据库可以用可视化工具方便查看，例如Mongo Management Studio。 ```python # pipelines.py class MongoDBPipeline(object): def __init__(self): host = settings["MONGODB_HOST"] port = settings["MONGODB_PORT"] dbname = settings["MONGODB_DBNAME"] sheetname = settings["MONGODB_SHEETNAME"] # 创建MONGODB数据库链接 client = pymongo.MongoClient(host=host, port=port) # 指定数据库 mydb = client[dbname] # 存放数据的数据库表名 self.post = mydb[sheetname] def process_item(self, item, spider): data = dict(item) # self.post.insert(data) # 直接插入的方式有可能导致数据重复 # 更新数据库中的数据，如果upsert为Ture，那么当没有找到指定的数据时就直接插入，反之不执行插入 self.post.update({'newsUrlMd5': item['newsUrlMd5']}, data, upsert=True) return item ```  ## 6 索引构建特性 索引构建代码位于`indexbuilder/`目录下。 ### 6.1 断点续构 构建倒排索引的过程比较缓慢，每小时只能构�