怎样写一个搜索引擎

V2EX = way to explore

V2EX 是一个关于分享和探索的地方

现在注册

已注册用户请登录

• 请不要在回答技术问题时复制粘贴 AI 生成的内容

这是一个创建于 4577 天前的主题，其中的信息可能已经有所发展或是发生改变。

看了数学之美以后想自己写一个小型的搜索引擎
用于搜索学校网站收录的文章
毫无头绪
求指点...谢谢！

搜索引擎

之美

10 条回复 • 1970-01-01 08:00:00 +08:00

Alcar

2012-06-16 23:00:24 +08:00

先写个爬虫抓取学校的网站
然后再对抓取的内容进行索引，建立数据库
再是写搜索页面，以及服务器端的搜索数据库的程序吧

应该是这样，我也不太了解...

virushuo

2012-06-16 23:02:12 +08:00

http://www.udacity.com/overview/Course/cs101/CourseRev/apr2012

入门级别，原理是没错，但优化还需要很多很多很多，用来搜索一点点东西和学习不错。

sorry

2012-06-16 23:04:00 +08:00

heritrix+lucene

66450146

2012-06-16 23:16:59 +08:00

数学之美的内容，看起来简单，实现起来非常复杂

比如中文分词，Google特地雇了一大堆phd研究韩梅梅（HMM）方法，效果也只能达到“还不错”而已

再说相关性排序，数学之美说的是TF*IDF，听起来确实很简单，但是最后你会发现搜索排名的相关度不是很理想，尤其是你的内容有偏向性的时候，所以Google另外雇了一帮phd来改进搜索结果

如果只是为了练手的话，做这样的东西挑战也有点太大了。。。

HowardMei

2012-06-17 09:01:14 +08:00

Programming Collective Intelligence 所有你需要的算法都在里面了，包括搜索引擎、推荐算法，只是很多基于海量数据样本，正是这本书激起我学Python的兴趣，否则就赶时髦去学 ROR 了。越用Python越觉得，它不断引诱你知其然还要知其所以然，呵呵。

luoqeng

2012-06-17 19:30:09 +08:00

http://book.douban.com/subject/7006719/

clippit

2012-06-17 19:51:09 +08:00

Apache Nutch: http://nutch.apache.org/
另外LZ觉得这本书如何？我也想看看

clowwindy

2012-06-17 20:31:03 +08:00

@luoqeng 这本书 +1

不过搜索引擎是个很大的工程，一个人用几年时间，把其中一个小模块研究透，就已经很了不起了

shine_lee

2012-06-17 22:51:12 +08:00

@66450146
@clowwindy 好吧...数学之美里说的貌似很简单的样子...
@clippit 个人觉得还不错，主要是说了各种数学在搜索引擎中的应用，还有算法原理方面较多，还是比较容易理解的，值得一看！

saturn

2012-06-17 23:16:33 +08:00

不要为了算法而算法，首先要知道为什么需要这些算法？

如果你想做的搜索引擎内容是垂直的（亦即搜索范围固定），给你几个工具用来参考：

* 开源的Java爬虫：https://github.com/yasserg/crawler4j
* 开源的索引引擎：Sphinx / lucene
* mmseg 中文分词算法：http://technology.chtsai.org/mmseg/
* 你最熟悉的一款脚本语言，比如PHP。

如果你程序功底过硬、英文水平过关，有了这 4 个东西，你应该只需要2周左右即可实现一个简单的全功能站内搜索引擎了。

上面的每个领域都有大量的开发者和科学家在做研究。把上面这几个东西搞明白之后，你会发现自己的知识非常不够用、结果不甚理想。这个时候就开始着手学习Text Extraction、Machine Learning来辅助你完成提高结果精准度的东西了。这里推荐一款工具给你：Weka.