毕业设计（论文）--基于Lucene与Heritrix的搜索引擎构建.doc

本 科 毕 业 设 计（论 文） 基于Lucene与Heritrix的搜索引擎构建 学 院（系）： 计算机科学与工程 专 业： 软件工程 学 生 姓 名： 冯超 学 号： 指 导 教 师： 赵晶莹 评 阅 教 师： 完 成 日 期： 大连民族学院 摘 要 在互联网蓬勃发展的今天，互联网上的信息更是浩如烟海。人们在享受互联网带来的便利的同时，却面临着一个如何在如此海量的内容中准确、快捷地找到自己所需要的信息的问题，由此互联网搜索引擎应运而生。 本文在对搜索引擎的原理、组成、数据结构和工作流程等方面深入研究的基础上，对搜索引擎的三个核心部分即网络蜘蛛、网页索引和搜索的分析及实现过程进行阐述。网络蜘蛛部分采用了基于递归和归档机制的Heritrix网络爬虫；网页索引部分利用开源的Lucene引擎架构设计并实现了一个可复用的、可扩展的索引建立与管理子系统；搜索部分在Ajax技术支持上，设计并实现了一个灵活、简洁的用户接口。本系统具有抓取网页、建立和管理索引、建立日志以及搜索信息等功能，具备一定的应用前景。 关键词：搜索引擎；中文分词；索引 The Construction of Search Engine Based on Lucene and Heritrix Abstract The contents on the Web are increasing exponentially as the rapid development of the Internet. A problem how to obtain the useful information from vast contents quickly and accurately is facing us while people are enjoying the convenience of the Internet. The solver of this problem is Web Search Engine. The analysis and implementation process of three basic components of search engine(Crawler, Indexer and Searcher) is described in this paper on the basis of further study on the principles, composition, data structure and work flow of search engine. The crawler component is implemented with Heritrix crawler based on the mechanism of recursion and archiving; A reusable, extensible index establishment and management subsystem are designed and implemented by open-source package named “Lucene” in the indexer component; The Searcher component based on the Ajax technology is designed and realized as a flexible, concise user interface. The system has some functions, such as crawling web page, establishment and management index, establishment log and search information, it has a certain application prospect. Key Words：Search Engine；Chinese Word Segmentation；Index 目 录 摘 要 I Abstract II 1 绪论 1 1.1 项目背景 1 1.2 国内外发展现状 1 2 系统的开发平台及相关技术 3 2.1 系统开发平台 3 2.2 系统开发技术 3 2.2.1 Heritrix网络爬虫简介 3 2.2.2 Lucene技术简介