收录日期:2020/06/05 11:31:33 时间:2016/06/06 10:24:39 标签:HTML/XML
最近我研究 全文搜索引擎的心得 
研究心得: 
1、看到网上那么多人在研究: Google的Page Rank我很心痛 ,我就看了两天Page Rank的资料,就明白它哪个算法基本上没有任何实用价值。其实只是一个思路而已,如果完全照搬它的算法,那将一事无成。 
2、还有很多人研究什么Java中的Luncece那就更可笑了,我就举一个很简单的问题:一亿网页的容量有多大,谁能告诉我? 
     接近 1万G呀,所以用普通编程的思路做全文搜索引擎是行不通的 。 
3、还有很多人研究中文分词,写了很长的文章,却只字不提中文分词在搜索引擎中的作用和用途。其实应该是两不分: A、用来计算关键字在文本中出现的次数 B、用来查询的。 
4、还有很多人问那些信息是如何保存的,其实很简单:文件+数据库 
最后我要说一下总体思路: 
  抓取----然后---预处理----然后索引---然后----保密 
预处理: 包括计算 rank 将htm文件中的htm表示提取纯文本信息 ,然后保存对应的文本信息 
数据库中只保存 文件编号 url Rank  Title 纯文本信息等基本信息 
然后索引  索引很重要么?  答案是:索引不是非常重要  
主要是 "保密" 这部分的运算 
运算之后就可以直接将结果返回给客户端了  
用我的新研究的方法进行运算取得结果用时在 1秒以内   

以上是我研究的一些心得,希望对大家有所帮助。 

也许有人会问,那你用什么语言开发? 
当然用 C、C++ 最好,其次是用Delphi开发 ,这样不但效率高,还可以保证程序在Linux下照样可以执行。 

最后也许还有人回问,蜘蛛的效率如何,你写过没有? 
答案是:我正在写,下面是一个网友对我的小蜘蛛进行的评测: 
========================================= 
▄【┻┳═一(99923309) 12:05:57 
思鱼给他们讲讲我的 蜘蛛  
思鱼(20275543) 12:02:50 
我在家里测试了一下 
  
思鱼(20275543) 12:03:00 
很不错 
  
思鱼(20275543) 12:03:10 
和摆渡前几年的一样   
============================ 
根据我自己的测试,我电脑的配置(P4+512MB内存+40G硬盘+512K的带宽)一天可以抓取 10万个网页,而且每个网页的大小限制在 100K以内,Baidu目前每个网页的大小限制在 130K以内。 

最后,我已经收集了100万个国内的一级域名. 

有兴趣的可以一起聊聊啊! 

erp2@163.com   
www.519so.com  是我花了两周时间做的一个小测试服务器的内存是 512MB 

QQ:99923309 
‘ 然后索引  索引很重要么?  答案是:索引不是非常重要  ??’

---楼主这个结论未免太片面了。搜索引擎没有索引如何在短时间内返回搜索结果? 如何根据搜索关键字找到对应的document?

你居然去否认lucene?!lucene的倒排索引效率非常高,已经在很多地方被采用了。

而中文分词涉及的知识更多,直接对中文搜索结果产生影响。

楼主未免有点自大。
Nutch 是一Open source ,也是基于 Luecene 索引的。

我们曾用Nutch开源软件做过试验,其效果和google的结果很相近。

我看了楼主贴的网站,搜了一下,结果没什么意义。 只是那篇文章有搜索关键字而已。一个搜索

引擎的意义在于找出最好的,最贴近,最符合用户需求的结果。

如何插入新的菜单项? (Up有分) 新手上路高人多助 by托! 如何实现分布式的树? Java应该是个体系问题,我是个C++程序员,想学JAVA,但是不知道如何能学好这个体系,各位请帮忙! 帮我看看哪儿有问题? 资源中的位图如何用StretchDIBits显示出来 EVC的MFC编程能否使用CHtmlView类? 关于数据库的问题(急) 关于Codebehind的问题 还是二进制的问题,Sorry to JennyVenus你的信息被我不小心删除掉了,不好意思,没看到 如何知道是否在线? 怎样用DateOf函数? Jbuilder8完全支持ant吗?我的build.xml文件再console下能单个执行某一target,而再jbuilder下却不行? 总是说磁盘空间不够????咋办? 只要解决了,分随便拿1 在ini文件中怎样保存和读取颜色值~~~? 大家帮我看一下这个画图程序。。。 如何修改标题栏的文字?(不是在InitInstance中设置) 怎么把nfts格式转换为fat格式 SQL Server怎么了? 为什么我的XP总是莫名其妙的拨号 急!急!急! 请赶快节约我的时间 菜鸟提问:关于路径的问题 初学者问题:如何隐藏和显示主页面上的label和Edit控件? apache能否直接支持jsp? 关于VB程序界面中的图标 寻找c++库函数站点 java 开发RPG游戏 final(结局)关键字是什么意思呢? 问题多了点,高手进.