收录日期:2019/10/22 14:29:01 时间:2016/06/06 10:24:49 标签:应用程序开发区
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 
up
欢迎大家批评指正!
不错不错
还是这样的帖子好,大家可以交流

我想问个问题,您的搜索抓到的网页怎么判断还能不能用?
因为部分网页在一定时间以后就不可用了
多谢

无法连接到服务器,服务器:消息 18456 用户sa登陆失败 动态添加控件 用Trigger怎么实现这个功能? oracle10g透明网关for SqlServer 分布式事务 jap+servlet与SSH三大框架开发的系统 在线用户监控 怎么分辨linux内核? 【师太升三星贴】请看内容再回复,不然没分蹭,十分钟后结贴 prefer_mem1,prefer_mem2,prefer_mem3,请问这三者的区别或关系? 升四角,散分!! 千金散尽还复来 pb经典语句 请高手才我看一下SQL语句错在哪儿 月底已经到了, 散分之~ 求一句SQL语句 我们相信努力就一定会成功 C# 菜鸟继续提问! 有感觉了 送大家一首小诗 题《断》 散分啊, 春运开始了~ 老农民工,请教嵌入式牛人!!!!! 我就散分,我不说话 delphi7 actionlist控件在win7中出现的奇怪问题, Struts2的奇怪现象 又是FLEX自制播放器问题... 如何获得TClass引用的类的Create的地址 平时只穿内裤 C:\\加载一个类 50 ----------生日快乐------------ 为什么有这么多\"乱七八糟\"的域名?