收录日期:2020/06/05 11:35:34 时间:2016/06/06 10:24:48 标签:基础编程
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 
有几点不同意
-----------
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 。
---------------
这有什么可笑的?我就不明白了。lucence也是难道不是全文检索引擎吗?
你举的例子和lucence有什么关系吗?lucence的原理和你研究的差不多,不过比你的思想更高明。

----------
然后索引  索引很重要么?  答案是:索引不是非常重要  
----------------
我倒觉的有些可笑,不用索引你用什么?你是怎么优化查询的?
全文检索的关键部分就是索引,索引文件的算法直接影响你查询的速度。

------------------
也许有人会问,那你用什么语言开发? 
当然用 C、C++ 最好
------------
这个我倒同意,JAVA速度慢,脚本语言也不适合做全文检索。
非常欣赏这种广告方式,很高明,学习中。。。我进你的网站看一下。哈哈。
欢迎批评指正!
一百万个域名列表可以给下载不,还是要收钱
http://www.519so.com/S/?wd=%25
嘎嘎
支持ice_berg16的说法,呵呵,不过楼主蛮有创意的,很喜欢这样的帖
今天有好几个人都要求我去baidu的,还说我要是没有去baidu将是一种遗憾:) 

哈哈
不错啊

检测U盘是否已经插入计算机 C语言题目遇到困难,求高手指点 qt 中英文版本 Delphi开发的在oracle基础上的自定义报表工具 看老美是怎么开始头大的(转) 求救呀!!!!!!! 为什么用VB写的程序读hid手柄设备的信息,有的能读出来,有的不能读出来 哪里有C++Builder帮助文档??? 救火啊~ 学习数据库, 还是看视频快 JAVA播放音乐程序 如何把其中的STRING换成随即的数值,而且随机数能控制一个范围 清除Xml属性的问题 串口通信中用到读取串口收到的数据前使用PurgeComm hibernate中save和merg的区别 猜猜:他,要我做什么??? 这就怪了! JAVA  里  byte 类型 可以存储值的范围是 -128~127! 求救呀!!!!!!! 点击datagrid中的一行,将这一行的某两列中的一个字符串取出,然后显示在两个textbox中然后再另一页返回来,如何实现? SetEvent不发生WaitForSingleObject所在线程就不能停止吗? vb中 的grid控件 怎么获得当前选中的一行啊 MTK开发软件哪里寻???? 求教分金块的问题.... 高分就教 xml问题! 最近工作好很难找啊 datagridview如何让列标题居中及列隐藏 在线等一个servlet配置问题! 本人想找北京的Domino开发兼职 咋回事?网络打印机 哪儿有图片方面操作的例子