收录日期:2020/05/31 08:46:05 时间:2016/06/06 10:24:42 标签:Eclipse
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 
强,没研究过这些.
强,很感兴趣,你的蜘蛛能发一个给我学习一下吗?yuanzhucn@yahoo.com.cn

winform如何傳遞回結果 请问在C#中怎么调用API函数? 请问谁有这方面的例子 如何进行数据库的网络连接或者是局域网连接,在vc中用ado连接的sql server 2000.我现在想从另一台机器上访问我的数据库,并进行一些相应的\0 visual studion 2003 的問題 在线等!!!急啊!! 关于报表问题????????????在线等~~~ 嗨!大家好出来已经一年多了,网站做了十几个!大家说说我这样的工资应该是多少啊在上海? 怎么写祥细设计说明书 一个简单的错误信息提示问题? 想找些例子学习SQL,但不知道到哪里找例子,怎么做呢? 郁闷,怎么用vb.net的人这么少,本人初学,应该学C#还是vb.net呢? 请问:怎样修改弹出对话框的标题? 怎样除掉图象周围的锯齿? 在C#中声明一个常量数组该怎么写? #无法读取指定文件,极有可能是犹豫网络连接不正常所致,请更正问题然后重新启动安装程序 access 2000 数据不能插入 读取可以 *.trd和*.tfd都是什么格式的文件 简单问题,马上给分 这样一段代码!数据库的连接问题 如何从lParam中分解出键盘码? 急啊,送分. 求助:能否将.net环境一起打包,就是用户使用软件的时候不用先装.net的环境 一个小问题。。用了一个turboc++的编译器,但是总是不能打开头文件。。显示错误如下: 水晶报表中的参数问题 access 2000 数据不能插入 读取可以 post和get有啥区别? 关于相对与绝对路径的问题?请高手指点,在线等 在同一个dll中2个类的问题 Names.nsf文件被误删,如何恢复?? csdn这个分点是怎么做的 DLL的调试问题!请帮忙看一下