最近我研究 全文搜索引擎的心得
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
问题点数：1、回复次数：3Top
1 楼cqgaoke（技高软件公司）回复于 2006-02-25 17:30:00 得分 1
upTop
2 楼datland（天涯剑）回复于 2006-02-25 18:28:44 得分 0
欢迎大家批评指正!Top
3 楼alaiyeshi（七宝树八宝饭）回复于 2006-02-27 09:51:45 得分 0
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Top
