搜索引擎技术核心揭密(下)

haidong

<br>                    对Google的分析 <BR><BR>　　为了便于理解，现在假设我们所真正需要的东西是：搜索结果的标题。网址和简介等，这是一个简洁而典型的需求。这样，我们所要做的便是：去除Google搜索结果的台头和脚注，包括一个Google的标志、再次搜索的输入框和搜索结果说明等，并且在剩余的搜索结果各项条目中剥离原来的HTML格式标记，替换成我们想要的格式。 <BR><BR>　　要做到这一点，我们必须仔细地分析Google搜索结果的HTML源码，找到其中的规律。不难发现，在Google的搜索结果的正文总是包含在源码的第一个&lt;p&gt;标记和倒数第二个&lt;p&gt;标记之间，并且倒数第二个&lt;p&gt;标记后紧跟table字符，而且这个组合“&lt;p&gt;&lt;table”在源码中也仅有一次，利用这个特点，我们可以这样去除Google的台头和脚注。 <BR><BR>　　以下所有程序均依次接续在上文程序的“进一步处理”处。 <BR><BR>　　result_string = strstr( result_string, "&lt;p&gt;"); //取 result_string从第一个&lt;p&gt;开始后的字符串，以去除Google台头 <BR>　　position= strpos( result_string,"&lt;p&gt;table符号的位置 <BR>　　result_string= substr( result_string,0, position);//截取第一个&lt;p&gt;table符号之前的字符串,以去除脚注 <BR><BR>应用与实现 <BR><BR>　　OK，现在我们已经得到有用的HTML源码主干了，剩下的问题是如何自主地显示这些内容。我们再分析一下这些搜索结果条目，发现每个条目之间也是很有规律的用 <BR><BR>分隔，也就是各成一个段落，按这个特点我们用explode()函数把每个条目切开： <BR><BR>　　语法：explode(string separator, string string);  <BR><BR>　　返回一个数组，按separator切开后的各个小字串被保存在数组中。 <BR><BR>　　于是： <BR>　　result_array=explode("&lt;p&gt;", result_string); //用字串"&lt;p&gt;"把结果切开 <BR><BR>　　我们就得到一个数组 result_array，其中每个元素都是一个搜索结果条目。我们所要做的仅仅是研究每个条目及其HTML显示格式代码，然后按要求替换就行了。下面用循环来处理 result_array中的每个条目。 <BR>　　for( i=0; i 　　 { <BR>　　 ... //处理每个条目 <BR>　　 }  <BR><BR>　　对于每个条目，我们也很容易找到一些特点：每个条目都由标题、摘要、简介、类别、网址等组成，每个部分都换行，即包含&lt;br&gt;标记，于是再次分割：（以下处理程序放在上文的循环中） <BR>　　every_item=explode("&lt;br&gt;", result_array[ i]); <BR><BR>　　这样我们得到一个数组 every_item，其中 every_item[0]就是标题， every_item[1]和 every_item[2]两行为摘要， every_item[3]和 every_item[4]等等的头部如果包含“&lt;font size=-1 color=#6f6f6f&gt;简介:&lt;/font&gt;”、“&lt;font size=-1 color=#6f6f6f&gt;类别:&lt;/font&gt;”字符，则是简介或类别（因为有的结果条目没有该项），如果头部包含“&lt;font color=green&gt;”则肯定就是网址啦，这种对比判断我们常使用正则表达式（略），如果要替换也很方便，比如包含标题的$every_item[0]，其本身是有链接的，我们希望修改这个链接属性，让它在新窗口打开链接： <BR>　　echo eregi_replace(' 　　{ <BR>　　... //处理每个条目中除去第一项（第一项为标题，已经显示）的每一项 <BR>　　... //更多格式修改 <BR>　　}  <BR><BR>　　这样就修改了链接属性，其余很多显示格式的修改、剥离、替换都能用正则替换eregi_replace()来完成。 <BR><BR>　　至此我们已经得到了每个搜索条目的每一项，并能任意修改每项的格式，甚至可以给他套上漂亮的表格。然而一个好的程序应该能适应各种运行环境的，这里也不例外，我们其实还只是讨论了搜索结果的HTML剥离的一种框架方法，真正要做得完美，还要考虑很多内容，比如要显示一共搜索出多少结果，分成多少页等等，甚至还可以刨除与Google相关的那些“类别”、“简介”等代码，让客户根本看不到原始网站。不过这些内容和要求我们都能通过分析HTML进行剥离得到。现在大家完全能自己动手，做个极富个性化的搜索引擎啦。                   <br><br>