用PHPdig打造属于你自己的Google[图文教程]

一、什么是PHPdig？

　PHPdig是国外非常流行的垂直搜索引擎产品（与其说是产品，不如说是一项区别于传统搜索引擎的搜索技术），采用PHP语言编写，利用了PHP程序运行的高效性，极大地提高了搜索反应速度，它可以像Google或者Baidu以及其它搜索引擎一样搜索互联网，搜索内容除了普通的网页外还包括txt, doc, xls, pdf等各式的文件，具有强大的内容搜索和文件解析功能。PHPdig同传统的搜索引擎一样，包含了以下三种最基本的技术：

　1．Spider技术

　2．网页结构化信息抽取技术或元数据采集技术

　3．分词、索引技术

　区别于传统搜索引擎，PHPdig适用于专业化更强、层次更深的个性化搜索引擎，利用它打造针对某一领域的垂直搜索引擎是最好的选择。

　二、如何获得这PHPdig？

　PHPdig是免费产品（需要保留版权），最新版本是 phpdig-1.8.9 为了避免Apache以及MYSQL的版本兼容性问题，建议采用较低级的版本，其网站地址是：http://www.phpdig.net ，下载地址是：http://www.phpdig.net/navigation.php?action=download 说明一下，我试用过phpdig-1.8.9版本，但出现了很多问题，改用PHPdig-1.8.8则问题较少。

　三、具体步骤

　1.获取产品

　访问http://www.phpdig.net/navigation.php?action=download下载PHPdig-1.8.8至桌面，解压缩至Apache服务器html目录，一般路径为：D:\usr\www\html\，（如果你没有安装Apache服务器请事先安装，推荐使用Mappm-Server v1.1.9 Final，Mappm-Server 采用傻瓜式安装，一次搞定，方便调试和运行 PHP/CGI MySQL 程序）。

　2.运行并配置PHPdig数据库

　打开浏览器输入http://localhost/phpdig/按回车键，页面列出PHPdig的所有文件及包含文件夹，找一找发现没有默认首页文件（default,index）,单击search.php文件出现错误提示：Unable to connect to database : Check the connection script。提示无法完成数据库连接，原来我们还没有完成PHPdig的数据库配置。返回进入admin目录找到install.php文件，单击运行，乍一看，全英文界面（说明一下，PHPdig目前所有版本均不支持中文界面），没有关系，如果你有过汉化经验不妨自己动手将其汉化，这里提供一份我自己汉化的cn-language.php文档的下载（请将其拷贝至locales目录下）。另外你还需修改includes目录下的config.php文件（语言修改）和style.css文件（字体修改和样式修改）。

　进入install.php后系统要求我们输入PHPdig管理用户名和密码，默认情况下均为admin，进入后出现如下界面（汉化后）：

（图1）

　所需提供的信息有：

　如果你是在本地测试，请输入默认情况下的服务器名称localhost(localhost是Mappm-Server下的默认务服务器名称，也就是mysql的默认服务器名称，Mappm-Server内置mysql数据库)数据库服务器端口默认为3126，可以不填，数据库sock协议默认为空，用户名默认为root（Mappm-Server默认用户名），密码是你在安装Mappm-Server时输入的用户密码，PHPdig数据库名称默认为phpdig，可任意修改，同时，你可以对数据库中的数据表加前缀，默认为空。

　如果你要上传到与Internet相连的web服务器请向服务器提供商索要mysql服务器的名称或者IP地址以及数据库服务器端口、sock协议、用户名、密码等，数据库名称以及数据表前缀的设置同上。

　至于右边的四个单选按钮，你可以视情况而定，初次使用（安装）选择默认的“建立数据库”

　确认上述信息无误后单击安装按钮，如果连接数据库不成功会提示“不能连接数据库”的错误信息，如果数据库连接成功则会直接跳入管理页面如下图：

（图2）

　3. 界面区域介绍

　区域1是一个文本输入区，默认文字有三行，都是以http开头，大家一看就知道在这里输入要spider的站点的网站地址（建议每次只spider一个网站）。

　区域2是spider选项，搜索深度是指对这个网站spider到几级目录，每页链接数是指针对某个网页最多抓取多少个下面的链接网页。默认情况下都为0，指的是对这个站点进行全站spider。

　区域3显示数据库状态信息，包括已经spider的网站、关键词、索引以及正在spider的站点信息等。

　区域4是一个下拉列表框，罗列出已经spider的站点的网址，选中其中的一个站点，在区域5可以对其进行清除和更新操作。

　区域5不仅提供了对区域4中所选站点的清除和更新操作外，还提供了相关的统计信息入口和对spider的控制等。

　4. 针对特定站点运行spider

　如果你对天极软件频道的内容很感兴趣，你就可以做一个比google更专业的搜索引擎来搜索天极软件的内容，你的这个搜索引擎将比google更全面更深层次。下面我们以spider天极软件频道的内容为例介绍一下如何spider一个网站。

　1）在图2的区域1中输入http://soft.yesky.com，搜索深度和每页链接数都保持默认为0

　2）单击spider按钮，页面跳转到spider信息页面，程序开始自动spider站点http://soft.yesky.com的内容。

　注意：spider网站的过程非常缓慢，如果该网站内容太多，这个过程可能会延续几小时到一天，但你不必担心脚本运行超时，因为系统的timeout时间被设置为最长达48小时。在这个过程中，你也可以中断spider程序的运行，并能重新启动spider程序运行未spider完的网站。需要注意的是若在这个过程中你不小心关闭了spider运行页面，但事实上系统并没有停止spider，仍在消耗系统资源。你可以重新打开spider页面，点击停止spider链接方可释放系统资源。

（图3）

　5. 利用PHPdig进行搜索

　经过一段时间后，spider程序运行的结果是将http://soft.yesky.com网站上的信息抓取到服务器数据库中，主要是对方内容的title信息、关键词信息和页面地址信息等，此时，你就可以通过访问search.php进行搜索了。

（图4）

　你可以选择搜索结果显示的条数，可以选择模糊查找还是精确查找，另外你可以选择针对某个站点的搜索，默认情况下搜索已经被spider的所有站点。

（图5）

　上图是搜索“QQ2006”的搜索结果页面。

　6. 存在的问题

　由于PHPdig的语言设置问题、系统的分词问题以及MYSQL数据库的字符处理问题等，PHPdig对汉语词汇的搜索还存在许多不确定因素，这些东西都有待我们进一步去解决和完善，欢迎广大对此感兴趣的朋友们到网页陶吧-PHPdig主题社区进行探讨。