自制搜索引擎 pdf下载

　　2600行代码，真实体验搜索引擎的开发过程
　　开源搜索引擎Senna/Groonga的开发者亲自执笔
　　探明Google、百度背后的工作机制
　　专业：开源搜索引擎Senna/Groonga开发者、Yahoo!搜索引擎研发者执笔。
　　实战易上手：2600行代码，从零开始写一个简易搜索引擎，然后进行优化。
　　讲解细致：浓缩搜索引擎的关键知识点 ，源码可下载，边学习边实践。
　　平缓进阶：书末介绍更专业的搜索引擎技术，为读者的深入学习做准备。

　　《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。

　　山田浩之，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，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，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》。

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