搜索引擎踩过的坑

在网上搜到IBM社区一个博主，有关搜索引擎的教程，于是便拿来学习，以下是在学习过程中踩过的坑，教程及其源码附上百度云盘链接 密码:t80r

首先说一下，该教程讲述详细，以及有配套源代码（带有注释），根据该教程可以制作一个简单的搜索引擎。

当时自己摸索，最终算是根据教程完成了搜索引擎的编写，以下是我踩过的坑，记录一下。

一，爬虫阶段。

1，该教程给的爬虫程序，我尝试着跑了一下，总是跑不几个网页，就会出现错误。该教程将爬取的数据存储在五个txt格式文档里，但是运行之后，总会出现最后一个文档不能写入数据，即只有前四个文档有，如果将存储文档变少，那么还是会出现最后一个文档不能写入。总之在文档存储时会出现问题。

2，这份教程写于2010年，不知道当时的前端技术如何，反正经过此程序下载下来的页面，也是不全面的，有些页面数据需要一些处理之后，才能得到，我觉得这份教程的爬虫只是简单模拟浏览器请求，比如对于百度页面的请求下载就是很简单的页面，<script></script>这样的代码就请求不到，更别说一些<meta>标签的数据了。

3，示例爬虫的架构，我觉得值得学习。

4，爬虫爬取的时候，因为有的网页用的UTF-8编码，有的用的GBK编码，这个在爬取时需要注意，不然爬取下来的网页容易乱码。

解决方法：放弃原有的爬虫，选择学习了一个爬虫框架，学习的是WebMagic，解决了爬虫阶段爬取数据的问题。

二，数据预处理阶段

1，该教程的数据库表没有给出，根据给的源码和教程，我推出数据库表有以下几列：ID、url、content、offset、raws。

2，该教程的预处理制作索引时，如果前期爬取的网页有乱码，就会导致此阶段的制作索引流程出现问题，当时我出现的问题只能制作前几个无乱码的网页，后面从出现乱码的地方都打印出的索引数目都是0️⃣。

3，该教程给出的词典词库并不全，且是2010年前的词库，对于现今常见的词汇可能并不含有，所以相应的索引也无法建立。

4，在过程中会涉及好多路径的问题，要注意路径的编写，是否是获取路径还是获取文件，要注意。

三，查询服务阶段

系统及软件macOS 10.12.6，Eclipse 4.7，Tomcat 8.5版本。

1，这个阶段出现的问题就是，搭建好服务器并编写好页面后，在控制台可以查询输出，但是通过页面传值后，就无法返回数据。经查是Eclipse编码出现了问题，我设置成了GBK编码，将其改为与网页的UTF-8编码相同即可。