搜索引擎的设计与实现Word文档格式.doc

搜索引擎的设计与实现Word文档格式.doc

《搜索引擎的设计与实现Word文档格式.doc》由会员分享，可在线阅读，更多相关《搜索引擎的设计与实现Word文档格式.doc（54页珍藏版）》请在冰豆网上搜索。

关键词：

搜索引擎，网络爬虫，中文切词，排序索引

ABSTRACT

Withtherapidlydevelopingofthenetwork.Networkbecameavitalinformationsource,moreandmorepeopleareobtainingtheinformationthattheyneedfromthenetwork,thismakingwebsearchenginehasbecomeessentialtooltopeoplewhentheywanttofindsomeinformationfrominternet.

Inthispaper,within-depthstudyofthebasicprinciplesofgeneralsearchengines,thedesignandcoretechnologyarchitecture,combiningwiththeneedsofsmallsearchengineandinthelightofthe"

tianwang"

lucenesearchengine,Ibuildastable,goodperformanceandcanbeexpandedsmall-scalesearchenginesystem,this

articlenotonlycompletedthedesignoftheentiresystem,butalsobasicallycompletedallthecodingwork.

Thisarticledescriblenotonlythebackgroundofsearchengines,butalsothehistoryofsearchenginedevelopinganddevelopingtrends,andanalysetheneedsofsmallsearchenginesandgivingsolutionsthetotheproblemswhichwasfoundinthedevelopmentofthesystem,andmakingadetailedprogramdesign,codingtoachieve.

Themainthesisofthearticleandinnovationareasfollows:

1.withthedeepunderstandingoftheworkingprincipleofthenetworkspider.Iacheivednetworkspiderwithusingdatabasesystem.

2.withthedeepunderstandingofChinesesegmentationandsegmentationalgorithmoflucenesystem,Imademyownsegmentationalgorithm,andgivealotofteststomysegmentationalgorithmtoprovidethatmysegmentationalgorithmisbetter.

3.withthedeepunderstandingofsortedandindexalgorithm,Idesignedmyownsortedandindexalgorithmwiththedata-structIdesignedandcodingit,itwasprovidedavailableafterlotsoftests.

4.afterdesignofsearchpart,Ifoudtheefficiencyofthepartisnotverypoor,soIdesignedtwo-stagecachedevicetoimpovetheefficiencyofthesystem.

Keywords:

searchengine,netspider,Chinesesegmentation,sortedandindex

目录

第一章绪论 1

1.1搜索引擎出现的背景及意义 1

1.2搜索引擎的发展历史及趋势 1

1.3本文主要工作 3

1.4论文结构 4

第二章系统结构 5

2.1概述 5

2.2系统结构 5

2.2.1爬虫 6

2.2.2信息处理 6

2.2.3排序和索引 6

2.2.4搜索 6

2.3搜索引擎主要指标及分析 6

2.4开发语言 7

2.5小结 8

第三章爬虫 9

3.1概述 9

3.2爬虫结构分析 9

3.2.1爬虫初始化 10

3.2.2从网页中提取url 11

3.2.3URL存储 12

3.2.4从数据库中提取url 12

3.3小结 13

第四章信息处理 14

4.1概述 14

4.2转换 15

4.3切词 18

4.3.1中文切词 19

4.3.2中文切词测试 25

4.3.3英文切词 27

4.3.4数字切词 28

4.3.5符号处理 29

4.3.6词语存储 30

4.4小结 31

第五章排序索引 33

5.1概述 33

5.2统计相关url 33

5.3排序 34

5.4索引 36

5.5小结 37

第六章搜索 38

6.1概述 38

6.2实现搜索 38

6.3性能优化 41

6.4小结 42

第七章总结与展望 43

7.1总结 43

7.3展望 44

参考文献 47

致谢 49

Web搜索引擎的设计与实现 绪论

第一章绪论

1.1搜索引擎出现的背景及意义

网络的出现以及发展对于世界发展的意义是极其重要的，它让地球村的理念变成的现实，信息的传输不再受到时间和空间的限制。

随着网络技术和应用的不断发展，互联网已经成为了信息的重要来源地，人们越来越依靠网络来查找他们所需要的信息。

我们所处的是一个信息爆炸的时代，Google的索引在1998年开始工作,当时他们收集了2600万个页面,2000年就突破了10亿,到10年后的2008年达到了1,000,000,000,000,Google的数据库变成了全球最庞大的索引之一[8]，数量之庞大让我们震惊。

这么巨大的数字导致了一个问题，"

RichData,PoorInformation"

。

我们就好像处在一个信息的迷宫，因此，如何有效快速的找到自己需要的信息成为了一个极其重要的问题。

在没有搜索引擎的时代，用户希望寻找某方面的信息，就必须通过各种途径或者是网站之间的连接寻找，可以这样说，脱离的搜索引擎的网站，就像是信息海洋中的一个一个的孤岛，用户必将面临巨大的搜索成本，同时必须付出大量的时间和精力。

搜索引擎的出现改变了上述的现象[4]，它通过程序的自动搜寻并建立索引，将这些信息孤岛联系起来，形成了一张巨大的信息网，并且运用分布式计算的巨大力量，能够让用户从海量数据中摒除垃圾信息，获取想要的知识。

搜索引擎不仅仅是节省了用户的时间，通过挖掉搜寻成本这座墙，它让许许多多的不可能成为可能。

1.2搜索引擎的发展历史及趋势

搜索经历了三代的更新和发展:

[8]

第一代搜索引擎出现于1994年。

这类搜索引擎一般都索引少于1，000，000个网页，极少重新搜集网页并去刷新索引。

而且其检索速度非常慢，一般都要等待10秒甚至更长的时间。

第二代搜索出现在1996年。

第二代搜索引擎系统大多采用分布式方案（多个微型计算机协同工作）来提高数据规模、响应速度和用户数量，它们一般都保持一个大约50,000,000网页的索引数据库，每天能够响应10,000,000次用户检索请求。

第三代搜索引擎年代的划分和主要特性至今没有统一的认识，不过至少可以肯定的是：

第三代搜索引擎是对第二代搜索引擎在搜索技术上的改进，主要增加了互动性和个性化等高级的技术，为用户使用搜索引擎获取信息获得更好的体验。

至于互动性的评价标准是什么，以及第三代搜索引擎到底比第二代搜索引擎增加了多少价值——尤其是为企业利用搜索引擎开展网络营销增加了哪些价值，目前并没有非常令人信服的研究结论。

这也就是目前所谓的第三代搜索引擎并没有表现出太多优势的原因之一。

现在，网络上有很多著名的搜索引擎，百度，google，yahoo等等，百度从2005年诞生到现在成为全球最大的中文搜索引擎，可想而知，发展的速度的多么的快，人们对搜索引擎的的需求的多大，百度的日点击率我无法在找到确切的数字，但是我们可以计算一下，截至2008年底，中国网民规模达到2.98亿人[9]，每个网民上网点击百度的次数应该不少于十次吧，像我们要在百度上找资料的网名点击率百次不止，所以百度的日点击率是多么惊人。

搜索引擎经过几年的发展和摸索，越来越贴近人们的需求，搜索引擎的技术也得到了很大的发展。

搜索引擎在将来的的发展趋势大概有以下几个方面：

[10]

1.提高对用户输入的理解

为了提高搜索引擎对用户检索提问的理解，就必须有一个好的检索提问语言，为了克服关键词检索和目录查询的缺点，现在已经出现了自然语言智能答询。

用户可以输入简单的疑问句，比如“howcankillvirusofcomputer?

”。

搜索引擎在对提问进行结构和内容的分析之后，或直接给出提问的答案，或引导用户从几个可选择的问题中进行再选择。

自然语言的优势在于，一是使网络交流更加人性化，二是使查询变得更加方便、直接、有效。

就以上面的例子来讲，如果用关键词查询，多半人会用“virus”这个词来检索，结果中必然会包括各类病毒的介绍、病毒是怎样产生的等等许多无效信息，而用“howcankillvirusofcomputer?

”，搜索引擎会