收录日期:2020/05/31 09:25:59 时间:2016/06/06 10:24:44 标签:Web 开发
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 

再一次提问 源码错误都给你 我一定要知道为什么???谢谢 试了1个多小时还没解决的问题 怎么样仅仅通过一个Graphic对象,获得其长宽? 怎样把 STATIC 静态文本的背景改变颜色,解决了我会把分加满! 高分求打印程序 问个问题 MatCom与VC集成的问题(Matlab6.5+MatCom4.5) Int32.Parse()和Convert.toInt32()两种写法有何区别啊? 一个简单的JSP文件 如何写一个注册 函数问题 jsp连接sqlserver 插入中文字段 数据库中显示该字段为乱码???? 窗体初始化时怎样是最大显示 硬盘问题,又急又气Y的. 配置内容为什么保存不住 如何给另外一个进程发结束消息或者说如何获得另外一个进程的句柄? 微软的面试题目? 请教如何显示音频文件的波形 MFC的源码在哪里? 请教一个用ASP.NET访问SQLserver2000的一个问题 请叫大虾们一个比较菜的问题,谢谢 关于C#的WEB Service的奇怪问题!!!! 用file.open的ANSI档案出来会是乱码? UTF-8檔可以正常。 如何使用VB API更改某文件或目录的NTFS权限? ACCESS数据库转SQL,求助~! DAO 捕捉主键插入重复记录的消息?分数再加~~真到解决为至!!! JbuilderX问题 急!! 至今没人做的软件行业 ●●●如何传类型为接口的参数??●●● 十万火急--关于MSADODC.OCX错误