|
|||
|
摘要：
第四章 4.3 分词原理 Chinese Word Parsing Algorithm 对索引网页信息的预处理包括网页分析和倒排文件索引两个部分，中文自动分次是网页分析的前提。文档由被称作特征项的索引词组成，网页分析是将一个文档表示 为特征项的过程。在提取特征项时，中文又面临了与英文处理不同的问题。中文信息和英文信息有一个明显的差别：英语单词之间用空格分隔；而在中文文本中，词 与词之间没有天... 阅读全文
posted @ 2009-01-02 00:25 chen eric 阅读(635) 评论(0) 推荐(0)
摘要：
第四章 4.2 倒排索引基本原理 Principle of Inverted Index Trie是效率最高的索引形式，下图表示由文本到的前缀树的创建过程。 插入操作的时间复杂度O(l)，其中l = max(length of word)； 查询的操作的时间复杂度O(l)； 删除操作的复杂度为O(n)，其中n = length of dictionary Trie有消耗了大量内存且难以分... 阅读全文
posted @ 2009-01-02 00:24 chen eric 阅读(934) 评论(0) 推荐(0)
摘要：
第四章 4.1 准备工作 Prepare for Indexing 网页的内容经过爬虫爬取之后，按照不同的类型进行分析，成为相对“清洁”的文本之后就可以开始建立全文索引了。分析的过程包括大小写转换，过滤标点符号、没有意义的虚词和网页的格式代码。可以把分析看成是一个过滤的过程。 阅读全文
posted @ 2009-01-02 00:23 chen eric 阅读(197) 评论(0) 推荐(0)
摘要：
第四章 索引 Full Text Indexing 在学习搜索引擎技术之前最好有一定的知识储备，Modern Information Retrieval 是本经典IR的教材，本文默认读者已经具有相应的基础。 数据需要分不同的类型进行相应处理，一般的网页内容文本大致可以分为四部分： Keyword： 不做分析，逐字/词建索引并存储．例如URL，文件系统路径，日期，人名，社会保险帐号，电话号码等。... 阅读全文
posted @ 2009-01-02 00:22 chen eric 阅读(503) 评论(0) 推荐(0)
摘要：
第三章 3.4 缓存 Search Engine Caching 缓存优化的核心思想是从避免无谓和重复的CPU计算、I/O调度来提高查询器的吞吐量。传统的缓存有两级：一是对结果集的缓存，纪录了查询的关键词和返回结果。如果相同的关键词被再次访问将得到快速地响应，同时过滤导致重复查询的计算量，提高系统的吞吐量。另外一个是对倒排索引的缓存，索引通常只保留最近、频繁被访问的索引段在内存中。这样的两级体... 阅读全文
posted @ 2009-01-02 00:22 chen eric 阅读(406) 评论(0) 推荐(0)
摘要：
第三章 3.3 排队系统的优化 Application of Queueing Theory 排队系统的优化在集群计算中有着举足轻重的地位。此类优化问题分为两类：系统的最优设计和最优控制，前者称为静态最优问题，目的在于是系统达到最大效益，或者说在一定指标下是系统最为经济；后者为动态最优问题，是指对一给定的系统，如何运营可使给定的目标函数达到最优。 只对静态优化分析，对动态优化超出了目前以有的固... 阅读全文
posted @ 2009-01-02 00:21 chen eric 阅读(672) 评论(0) 推荐(0)
摘要：
第三章 3.2 文件共享入门简介 Introduction of File Sharing System 1) Remote sync (rsync) 是一种简单的文件共享实现方式。集群中的每个节点都至少有一份数据复本，复本间使用rsync进行同步。因为节点需要的数据就在本地，所以这种方法具有很高的可用性，不会出现单点失效现象。适合的场景：数据量很小，而且更新不频繁，可以采用这种方式。索引文件... 阅读全文
posted @ 2009-01-02 00:21 chen eric 阅读(256) 评论(0) 推荐(0)
摘要：
第三章 3.1 I/O调度方式 Choose I/O Schedule Completely Fair Queuing 机制和其字面的意思一致，完全公平的调度形式。每个进程产生的I/O请求都会被分配一个序号，进程之间的I/O请求队列独立，每次执行相同序号的请求。算法的实现，cfq会先考虑进程的优先级（0-20），从高的优先进程选择执行序号比较优先的I/O请求。Analysis and Simu... 阅读全文
posted @ 2009-01-02 00:20 chen eric 阅读(526) 评论(0) 推荐(0)
摘要：
第三章 并行分布式文件系统 Parallel Distributed File System 搜索的引擎的存储规模至少都是TB级别，如何有效地管理和组织这些资源呢？并且在极短的时间内得出结果？MapReduce: Simplified Data Processing on Large Clusters 给出了很好的分析。 分布式文件系统的实施必须实现两种临界资源的接口，一个是文件名到命名空间... 阅读全文
posted @ 2009-01-02 00:20 chen eric 阅读(374) 评论(0) 推荐(0)
摘要：
第二章 2.2 宏观看爬虫 Key Points of Spider Web上的信息具有异质性和动态性，由于受时间和存储、带宽的限制，不可能把所有的网页都搜集起来，一个好的搜集策略是有限搜集重要的网页。对于网页的重要程度的评定，要依据搜集信息所针对的不同应用而定，从而信息的搜集可以采取不同的策略。而目前这个问题尚无定论，一般按照如下几种指标来共同确定网页的重要性： 1）网页的入度大，也就是被引... 阅读全文
posted @ 2009-01-02 00:19 chen eric 阅读(273) 评论(0) 推荐(0) |
|||
浙公网安备 33010602011771号