内容简介:
《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。
作者简介:
山田浩之(作者)
信息工程学博士。先后于日本IBM、雅虎从事分布式搜索引擎的研发工作。目前在东京大学生产技术研究所从事高性能并行数据库的研发工作。
末永匡(作者)
开源搜索引擎Senna/Groonga的开发者。每天都在奋斗,梦想着能创建一个更加自由、更加无拘无束的,而不是一家独大的应用程序平台。
胡屹(译者)
多年从事Web开发工作。热爱编程,关注设计模式,致力于提升软件开发的质量。曾获得SCJP和PHP ZCE证书。译有《计算机是怎样跑起来的》。
目录:
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
文章试读:本节讲解的是用于快速进行全文搜索的索引结构。在讲解广泛应用于全文搜索的、名为倒排索引的索引结构之前,让我们先来梳理一下全文搜索的方法。 全文搜索的两种方法 全文搜索大致上可以分为两种方法,一种是利用全扫描进行全文搜索,一种是利用索引进行全文搜索。 利用全扫描进行全文搜索 第一种方法是从头到尾扫描作为检索对象的文档,以此来搜索要检索的字符串。由于Unix 的字符串检索命令“g...
(查看全部试读)