收录日期:2019/10/18 23:00:12 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 

javascript中整行整列选取问题 [请各位高手分享心得]如何从菜鸟逐步发展成为.NET高手 赚分贴,马上结贴 急求一个收邮件的完成例子,用pop类最好,网上都没有个完整的。邮箱:285739026@qq.com 蜂蜜,川贝,桔梗。。。 马英九与黑人同性恋光碟曝光 当事人已出家 中兴工程师遭塔利班绑架,自逃回国后被原公司辞退 join连接double数组失败,只能连接String和Variant 请问数据库里的一张表的列名字段以及字段类型,字符长度, 有没有办法一下子把它都查询出来啊 纯属散分 VC 关于获得窗口标题 我写的一小段代码,没写完,不知道怎么完成,请各位看看 明明账户是正确的,登录后页面自动刷新了一下,又停在登录界面了,请问是怎么回事? XML压缩 XML压缩 我写的一小段代码,没写完,不知道怎么完成,请各位看看 请教这个能写成存储过程吗? 怎样获得局域网内处于开机状态的计算机的用户名? 通过PMP,散分! 怎么在框架集里的框架边框(或滚动条)上放一个按纽来实现框架的隐藏?而且同时框架的大小可以通过鼠标伸缩的 如何在delphi中把浮点型强制转换为整型? 有关使用您的(cool)信息提示组件后,发现了一个问题,向您请教下! 求成熟的图像识别或人像识别模块 怎么读懂原代码? 谁有比较好看的网站后台模板,我那个实在是太丑了 主板声音接口跳线各引脚作用? 吃完了最后一块点心~~ VC 关于获得窗口标题 Visual Studio 2008与2005版控件上的主要区别?增加了那些? 求一正则表达式(字符串中是否存在大括号,中括号,单引号,双引号({}[]\'\")等六个特殊字符,且字字符串长度不超过20个字符,要求调用Regex.IsMatch返回false)