《自制搜索引擎》聚焦于Google和Yahoo!等Web搜索服务幕后的搜索引擎系统,首先讲解了搜索引擎的基础知识和原理,接着以现实中的开源搜索引擎Senna/Groonga为示例,使用该引擎的源代码引导读者亲自体验搜索引擎的开发过程。这部分讲解涉及了倒排索引的制作和压缩、检索的处理流程以及搜索引擎的优化等内容。又简单介绍了一些更加专业的搜索引擎的知识和要点,为读者今后进一步学习打下了基础。本书适合所有对搜索引擎感兴趣的技术人员阅读。
第1章 搜索引擎是如何工作的1
1-1 理解搜索引擎的构成3
什么是搜索引擎3
构成搜索引擎的组件4
与搜索引擎相关的组件5
1-2 实现了快速全文搜索的索引结构7
全文搜索的两种方法7
倒排索引的结构8
倒排索引的构建方法9
倒排索引中的术语10
1-3 深入理解倒排索引12
倒排索引=词典+倒排文件12
从倒排索引中查找单词13
将单词的位置信息加入倒排文件中13
从倒排索引中查找短语14
1-4 制作中文文档的倒排索引16
分割中文句子的方法16
权衡分割方法17
1-5 实现倒排索引19
实现词典19
实现倒排文件22
1-6 使用倒排索引进行检索24
布尔检索24
使用倒排索引的检索处理流程24
关联度的计算方法26
信息检索中的检索27
1-7 构建倒排索引29
使用内存构建倒排索引29
使用二级存储构建倒排索引29
静态索引构建和动态索引构建32
1-8 准备要检索的文档34
收集数据34
数据规范化35
第2章 准备全文搜索引擎的检索样本37
2-1 全文搜索引擎wiser39
wiser的构成39
准备用于检索的文档40
2-2 安装wiser42
构建wiser42
启动wiser43
解压缩Wikipedia的副本44
2-3 运行wiser45
构建倒排索引45
使用倒排索引查询46
比较grep和wiser的运行速度46
第3章 构建倒排索引49
3-1 复习有关倒排索引的知识51
提取词元51
为每个词元创建倒排列表53
3-2 构建倒排索引54
在存储器上创建倒排列表54
倒排列表和倒排文件的数据结构54
从源代码级别梳理倒排索引的构建顺序56
进一步阅读源代码59
专栏 根据实际情况设计搜索引擎(系统)68
第4章 开始检索吧71
4-1 检索处理的大致流程73
充分理解检索处理的流程73
4-2 使用倒排索引进行检索75
从源代码级别梳理检索处理的流程75
解读split_query_to_tokens()函数的具体实现76
使用具体示例加深对检索处理流程的理解77
解读函数search_docs()的实现细节80
解读函数search_phrase()的实现84
专栏 如何实现标签检索88
第5章 压缩倒排索引89
5-1 压缩的基础知识90
压缩倒排索引的好处90
专栏 压缩的目的90
倒排索引的压缩方法91
倒排文件的压缩方法91
压缩的原理94
5-2 实现wiser中的压缩功能97
压缩功能源代码的概要97
了解无需进行压缩时的操作99
抓住Golomb编码的要点101
解读Golomb编码中的编码处理105
解读Golomb编码的解码处理108
第6章 挑战wiser的优化及参数的调整113
6-1 提高检索处理的效率115
优化检索处理115
将查询分割为无重复部分的词元序列116
6-2 禁用短语检索119
分析对2字符的字符串进行检索时的行为119
分析对3字符的字符串进行检索时的行为120
6-3 改变检索结果的输出顺序122
作为检索结果排序核心的指标122
按照文档大小降序排列的检索结果124
专栏 排名欺诈128
6-4 让1个字符的查询也能检索出结果29
获取以特定字符开头的词元的列表129
合并检索到的结果131
专栏 如何实现相似文档的检索131
6-5 调整控制倒排索引更新的缓冲区容量133
确认由缓冲区容量的差异带来的不同效果133
用sar命令分析负载134
6-6 调整只有英文字母的词元的分割方法135
如何避免用英文单词检索时准确率下降的问题135
如何判断某字符是否属于索引对象135
修改负责分割词元的函数136
6-7 确认压缩的效果138
观察Golomb编码的效果138
对比压缩启用前后的索引大小138
专栏 避免滥用全文搜索引擎139
第7章 为今后更加深入的学习做准备141
7-1 wiser没能实现的功能143
倒排索引之外的全文搜索索引143
高效处理大规模数据的存储器143
利用缓存提高检索的速度143
使用各种各样的压缩方法144
优化搜索结果的排名144
调整准确率和召回率145
降低检索结果排序处理的负载147
并行处理147
结合对属性的筛选过滤148
分面搜索148
专栏 时延和吞吐量149
7-2 全文搜索引擎Groonga的特点150
通过词元的部分一致检索提升召回率150
使用内存映射文件151
片段152
专栏 宣传活动的重要性152
7-3 实现出考虑到用户意图的搜索引擎153
引入停用词153
应对词素解析的错误153
专栏 断句错误154
处理全角字符和半角字符155
对查询进行归一化156
留意布尔检索的解析过程156
通过词素解析器适当地解析查询157
对错误的输入进行修正157
输入补全158
建议用户检索相关的关键词159
7-4 收集、提取文档时的要点160
制作爬虫时的处理要点160
在提取文本时需要处理的要点163
Appendix 附录165
A-1 深度话题 166
近几年的压缩方法166
动态索引构建169
分布式索引174
A-2 wiser中的文本提取和存储178
用于处理XML的2 种API——DOM和SAX178
提取文档的标题和正文179
掌握状态的迁移182
构建文档数据库187
后记191
《古画的故事(中华文化故事)》内容简介:《古画的故事》以时间为序,精选从石器时期代到11世纪之前的58幅经典绘画作品,既有彩陶
单片机初级教程 本书特色 《单片机初级教程:单片机基础》在各章中对关键性内容都结合实例予以说明,同时还安排了大量思考题和习题,以利于读者对所述内容的理解、掌握、...
Thedesignofapplicationprogramminginterfacescanaffectthebehavior,capabilities,sta...
Haveyoueverneededtocreateaniconforsomethingandnotknownwheretostart?Howdoyougoabo...
《现代对位及其赋格》内容简介:《现代对位及其赋格》通过探讨20世纪现代音乐的复调思维、对位技术及其在赋格中的应用,力求从流派
《匠人》内容简介:☆十五位匠人的生命故事,一个正在消失的村落,见证百年中国的变迁 ☆每个漂泊在城市里的人,都将在其中找到自己
中文版Photoshop标准教程 本书特色 《中文版photoshop标准教程》:专家编著,依纲编写:《中文版photoshop标准教程》由国内一线photos...
Java 7 编程高级进阶 本书特色 《java7编程高级进阶》包含了众多专家级编程技术,学习这些技术可以让你的java水平上升至一个新的台阶。借助真实环境下的...
本报告在《创新2050:科学技术与中国的未来》科技发展路线图和学科发展研究的基础上,前瞻未来10年世界科技发展,提出在一些重要
《上海科技人才发展研究报告(2020)》内容简介:本书综合运用前瞻研究、政策分析、问卷调查、比较研究等理论方法,力图科学研判科
《死亡之旅(原书第2版)》对各种“死亡之旅”项目进行了全面而系统的剖析,涵盖整个项目的生命周期,深刻分析了这种现象的本质,
Implementbulletproofe-businesssecuritytheprovenHackingExposedway.Defendagainstth...
《新文科背景下的外语教学研究》内容简介:本书共收集34篇论文,涵盖语言学、文学、外语教学等各个学科领域,结合新文科建设,围绕
《淘宝天猫电商运营与数据化选品完全手册》内容简介:现代化的电商运营要求对社会发展、消费者及行业变化有清晰的认识;行业数据、
MATLAB GUI设计学习手记-(第3版) 本书特色《matlab gui设计学习手记》(第3版)在《matlab gui设计学习手记》(第2版)的基础上,结...
《星教练的轻食主义》内容简介:轻食主义是近年来非常流行的饮食方式,它既是一种清淡的饮食方式,更是一种均衡、自然、健康的生活
《苏东坡传:诗酒趁年华,烟雨任平生》内容简介:大文豪、美食家、工程师…… 乐天派、真性情、热心肠…… 苏东坡的一生标签很多,
Dailylifeisconnectedlife,itsrhythmsdrivenbyendlessemailpingsandresponses,thechim...
《阿拉伯国家军政关系研究》内容简介:本书以埃及、伊拉克、也门和黎巴嫩为主要案例,考察阿拉伯国家军政关系演变的轨迹和动力,分
Thereareseveralotherbooksonthemarketthatserveasin-depthtechnicalguidesorreferenc...