自制搜索引擎 PDF下载

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wiser　　39

wiser的构成　　39

准备用于检索的文档　　40

2-2　安装wiser　　42

构建wiser　　42

启动wiser　　43

解压缩Wikipedia的副本　　44

2-3　运行wiser　　45

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SAX　　178

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