《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。
......(更多)
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》。
......(更多)
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
......(更多)
......(更多)