最新研究搜索引擎了，做點筆記。
搜索引擎一般分為三個模塊: 網頁搜集、預處理和查詢服務。
網頁搜集是事先搜集的，在查詢的時候再去搜集明顯不可能了。而事先搜集又分為定期搜集和增量搜集。定期搜集是個全量的搜集過程，往往更新一次需要很長的時間，基本也不時新了，但是實現無疑要簡單點；增量搜集除第一次是全量的外，后續做的就是更新了（包括新增網頁，刪除過期的，以及更新），實現上要復雜的多。現實上這兩種也是相輔相成的，如新聞的搜索要及時更新，但某些學術網站就很少更新了。
網頁搜集要解決的問題：
（1）各種類型的網頁（html、asp、javascript），各種語種(ascii, utf-8)
（2）網絡資源的多樣化（文件，圖片，文檔，音頻，視頻 etc.）
（3）搜索策略（深度優先，廣度優先）
（4）并發搜集（避免對同一站點同一時刻的大量訪問，不然就變成Dos攻擊了）
（5）避免重復搜集
記錄未訪問、已訪問URL和網頁內容摘要信息
域名與IP的對應問題
（6）判斷網頁的重要程度
1) 網頁的入度大，表明被其他網頁引用的次數多；
2) 某網頁的父網頁入度大；
3) 網頁的鏡像度高，說明網頁內容比較熱門，從而顯得重要；
4) 網頁的目錄深度小，易于用戶瀏覽到。
posted on 2008-03-04 21:52
merlinfang 閱讀(642)
評論(2) 編輯 收藏 引用 所屬分類:
搜索引擎