解密搜索引擎技术实战

第1章 搜索引擎总体结构 15

1.1 搜索引擎基本模块 16

1.2 开发环境 16

1.3 搜索引擎工作原理 18

1.3.1 网络爬虫 18

1.3.2 全文索引结构与Lucene实现 18

1.3.3 搜索用户界面 21

1.3.4 计算框架 22

1.3.5 文本挖掘 23

1.4 本章小结 24

第2章 网络爬虫的原理与应用 25

2.1 爬虫的基本原理 26

2.2 爬虫架构 28

2.2.1 基本架构 29

2.2.2 分布式爬虫架构 31

2.2.3 垂直爬虫架构 32

2.3 抓取网页 33

2.3.1 下载网页的基本方法 34

2.3.2 网页更新 37

2.3.3 抓取限制应对方法 39

2.3.4 URL地址提取 41

2.3.5 抓取JavaScript动态页面 42

2.3.6 抓取即时信息 45

2.3.7 抓取暗网 46

2.3.8 信息过滤 47

2.3.9 最好优先遍历 52

2.4 存储URL地址 54

2.4.1 BerkeleyDB 54

2.4.2 布隆过滤器 56

2.5 并行抓取 59

2.5.1 多线程爬虫 59

2.5.2 垂直搜索的多线程爬虫 61

2.5.3 异步I/O 63

2.6 RSS抓取 66

2.7 抓取FTP 68

2.8 下载图片 69

2.9 图像的OCR识别 70

2.9.1 图像二值化 71

2.9.2 切分图像 73

2.9.3 SVM分类 76

2.10 Web结构挖掘 80

2.10.1 存储Web图 80

2.10.2 PageRank算法 84

2.10.3 HITs算法 91

2.10.4 主题相关的PageRank 95

2.11 部署爬虫 96

2.12 本章小结 96

第3章 索引内容提取 100

3.1 从HTML文件中提取文本 101

3.1.1 字符集编码 101

3.1.2 识别网页的编码 104

3.1.3 网页编码转换为字符串编码 107

3.1.4 使用HTMLParser实现定向抓取 107

3.1.5 使用正则表达式提取数据 112

3.1.6 结构化信息提取 113

3.1.7 网页的DOM结构 116

3.1.8 使用NekoHTML提取信息 118

3.1.9 网页去噪 123

3.1.10 网页结构相似度计算 128

3.1.11 提取标题 130

3.1.12 提取日期 131

3.2 从非HTML文件中提取文本 131

3.2.1 提取标题的一般方法 132

3.2.2 PDF文件 136

3.2.3 Word文件 140

3.2.4 Rtf文件 141

3.2.5 Excel文件 152

3.2.6 PowerPoint文件 155

3.3 提取垂直行业信息 155

3.3.1 医疗行业 155

3.3.2 旅游行业 156

3.4 流媒体内容提取 157

3.4.1 音频流内容提取 157

3.4.2 视频流内容提取 161

3.5 存储提取内容 162

3.6 本章小结 163

第4章 中文分词原理与实现 165

4.1 Lucene中的中文分词 166

4.1.1 Lucene切分原理 166

4.1.2 Lucene中的Analyzer 168

4.1.3 自己写Analyzer 169

4.1.4 Lietu中文分词 172

4.2 查找词典算法 172

4.2.1 标准Trie树 173

4.2.2 三叉Trie树 176

4.3 中文分词的原理 180

4.4 中文分词流程与结构 184

4.5 形成切分词图 185

4.6 概率语言模型的分词方法 191

4.7 N元分词方法 195

4.8 新词发现 197

4.9 未登录词识别 199

4.10 词性标注 200

4.10.1 隐马尔可夫模型 203

4.10.2 基于转换的错误学习方法 211

4.11 平滑算法 213

4.12 机器学习的方法 217

4.12.1 最大熵 218

4.12.2 条件随机场 221

4.13 有限状态机 221

4.14 本章小结 228

第5章 让搜索引擎理解自然语言 230

5.1 停用词表 231

5.2 句法分析树 233

5.3 相似度计算 237

5.4 文档排重 240

5.4.1 语义指纹 241

5.4.2 SimHash 244

5.4.3 分布式文档排重 254

5.5 中文关键词提取 255

5.5.1 关键词提取的基本方法 255

5.5.2 HITS算法应用于关键词提取 257

5.5.3 从网页中提取关键词 259

5.6 相关搜索词 260

5.6.1 挖掘相关搜索词 260

5.6.2 使用多线程计算相关搜索词 262

5.7 信息提取 263

5.8 拼写检查与建议 268

5.8.1 模糊匹配问题 271

5.8.2 英文拼写检查 274

5.8.3 中文拼写检查 275

5.9 自动摘要 278

5.9.1 自动摘要技术 278

5.9.2 自动摘要的设计 279

5.9.3 基于篇章结构的自动摘要 285

5.9.4 Lucene中的动态摘要 285

5.10 文本分类 288

5.10.1 特征提取 290

5.10.2 中心向量法 294

5.10.3 朴素贝叶斯 296

5.10.4 支持向量机 305

5.10.5 多级分类 313

5.10.6 规则方法 314

5.10.7 网页分类 317

5.11 自动聚类 318

5.11.1 聚类的定义 318

5.11.2 K均值聚类方法 318

5.11.3 K均值实现 320

5.11.4 深入理解DBScan算法 324

5.11.5 使用DBScan算法聚类实例 326

5.12 拼音转换 328

5.13 概念搜索 329

5.14 多语言搜索 337

5.15 跨语言搜索 338

5.16 情感识别 339

5.16.1 确定词语的褒贬倾向 342

5.16.2 实现情感识别 343

5.16.3 用户协同过滤 345

5.17 本章小结 346

第6章 Lucene原理与应用 348

6.1 Lucene深入介绍 349

6.1.1 常用查询 349

6.1.2 查询语法与解析 350

6.1.3 查询原理 354

6.1.4 使用Filter筛选搜索结果 355

6.1.5 遍历索引库 355

6.1.6 索引数值列 357

6.2 Lucene中的压缩算法 360

6.2.1 变长压缩 360

6.2.2 PForDelta 362

6.2.3 前缀压缩 365

6.2.4 差分编码 366

6.2.5 设计索引库结构 368

6.3 创建和维护索引库 369

6.3.1 创建索引库 369

6.3.2 向索引库中添加索引文档 370

6.3.3 删除索引库中的索引文档 373

6.3.4 更新索引库中的索引文档 373

6.3.5 索引的合并 374

6.3.6 索引文件格式 374

6.3.7 分发索引 377

6.3.8 修复索引 380

6.4 查找索引库 380

6.5 读写并发控制 381

6.6 优化使用Lucene 382

6.6.1 索引优化 382

6.6.2 查询优化 383

6.6.3 实现时间加权排序 386

6.6.4 实现字词混合索引 389

6.6.5 重用Tokenizer 394

6.6.6 定制Tokenizer 394

6.7 检索模型 396

6.7.1 向量空间模型 396

6.7.2 BM25概率模型 401

6.7.3 统计语言模型 406

6.8 查询大容量索引 408

6.9 实时搜索 409

6.10 本章小结 410

第7章 搜索引擎用户界面 411

7.1 实现Lucene搜索 412

7.2 搜索页面设计 413

7.2.1 Struts2实现的搜索界面 413

7.2.2 翻页组件 414

7.3 实现搜索接口 415

7.3.1 编码识别 415

7.3.2 布尔搜索 418

7.3.3 指定范围搜索 419

7.3.4 搜索结果排序 420

7.3.5 搜索页面的索引缓存与更新 420

7.4 历史搜索词记录 423

7.5 实现关键词高亮显示 424

7.6 实现分类统计视图 426

7.7 实现相似文档搜索 431

7.8 实现AJAX搜索联想词 433

7.8.1 估计查询词的文档频率 433

7.8.2 搜索联想词总体结构 434

7.8.3 服务器端处理 434

7.8.4 浏览器端处理 435

7.8.5 服务器端改进 440

7.8.6 拼音提示 443

7.8.7 部署总结 444

7.9 集成其他功能 444

7.9.1 拼写检查 444

7.9.2 分类统计 445

7.9.3 相关搜索 447

7.9.4 再次查找 450

7.9.5 搜索日志 450

7.10 搜索日志分析 452

7.10.1 日志信息过滤 452

7.10.2 信息统计 454

7.10.3 挖掘日志信息 456

7.11 本章小结 457

第8章 使用Solr实现企业搜索 458

8.1 Solr简介 459

8.2 Solr基本用法 460

8.2.1 Solr服务器端的配置与中文支持 461

8.2.2 把数据放进Solr 466

8.2.3 删除数据 468

8.2.4 Solr客户端与搜索界面 469

8.2.5 Solr索引库的查找 471

8.2.6 索引分发 475

8.2.7 Solr搜索优化 478

8.3 从FAST Search移植到Solr 481

8.4 Solr扩展与定制 482

8.4.1 Solr中字词混合索引 483

8.4.2 相关检索 484

8.4.3 搜索结果去重 486

8.4.4 定制输入/输出 490

8.4.5 分布式搜索 494

8.4.6 SolrJ查询分析器 495

8.4.7 扩展SolrJ 503

8.4.8 扩展Solr 504

8.4.9 查询Web图 508

8.5 Solr的.NET客户端 510

8.6 Solr的PHP客户端 516

8.7 本章小结 519

第9章 地理信息系统案例分析 520

9.1 新闻提取 522

9.2 POI信息提取 526

9.2.1 提取主体 531

9.2.2 提取地区 533

9.2.3 指代消解 534

9.3 本章小结 536

第10章 户外活动搜索案例分析 537

10.1 爬虫 538

10.2 信息提取 539

10.3 活动分类 542

10.4 搜索 543

10.5 本章小结 544

本书是猎兔搜索开发团队的软件研发和教学实践的经验汇总。本书总结搜索引擎相关理论与实际解决方案，并给出了Java实现，其中利用了流行的开源项目Lucene和Solr，而且还包括原创的实现。本书主要包括总体介绍部分、爬虫部分、自然语言处理部分、全文检索部分以及相关案例分析。爬虫部分介绍了网页遍历方法和如何实现增量抓取，并介绍了从网页等各种格式的文档中提取主要内容的方法。自然语言处理部分从统计机器学习的原理出发，包括了中文分词与词性标注的理论与实现以及在搜索引擎中的实用等细节，同时对文档排重、文本分类、自动聚类、句法分析树、拼写检查等自然语言处理领域的经典问题进行了深入浅出的介绍并总结了实现方法。在全文检索部分，结合Lucene 3.0介绍了搜索引擎的原理与进展。用简单的例子介绍了Lucene的最新应用方法。包括完整的搜索实现过程：从完成索引到搜索用户界面的实现。本书还进一步介绍了实现准实时搜索的方法，展示了Solr 1.4版本的用法以及实现分布式搜索服务集群的方法。最后介绍了在地理信息系统领域和户外活动搜索领域的应用。