收录日期:2020/06/02 08:46:23 时间:2016/06/06 10:24:44 标签:ASP
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 
楼主真的很历害,学习!
不知用C#语言开发出来好不好?
不知楼主运行时,CUP运行速度达到多少
C#写的程序能在Linux上运行吗?

着我还真不清楚,不过既然是虚拟机制,我想效率,应该不会怎么样吧?

最后欢迎大家批评指正!

MSDN中diblook例子中::PaletteSize((LPSTR)lpBI)函数怎么改?急! 网格显示问题 怎样在用户控件中调用父页面中的方法? 在线等~急~Repeater中嵌套Girdview怎么做!请大虾帮帮忙~~~~~ [color=#FF0000][b]2007狂想曲[/b][/color] 一个挺郁闷的问题,关于dll引用。 FutureAlpha 2008年第二版发布 谁有侯捷的<高阶C语言> 我怒了!VB2005到底怎样开发ocx啊,弄了半天我只能输出exe,baidu半天都没查到 我碰到这样一个ActiveX ocx的事件问题: FutureAlpha 2008年第二版发布 <计算机组成原理>小弟问一个DRAM存储器的问题 java+swing小问题 请教一个expect语言的问题 FutureAlpha 2008年第二版发布 请问用java连接MQ时,如何获得某一个队列管理器下所有队列名称以及队列深度的方法? 历史数据的插入与压缩 怎么传图片 FutureAlpha 2008年第二版发布 每日一帖 tomcat web.xml 中 classpath*:spring/*.xml classPath*的定义路径是什么 第二次給女孩子拒绝,应该怎么做? FutureAlpha 2008年第二版发布 一个扇区一定是512字节吗?为什么? haiwangstar (南河三(信为万事之本)) 和 longlijun(风之力)来接分!!! 关于函数参数的问题 求助求助,关于对话框和鼠标进入的问题 如何获取数据控件中某行的绑定数据对象 如何通过断点查找错误 急!!!如何加速文件的读取速度