搜索引擎技术资源篇-1(转载)

原文: http://wiki.huihoo.com/index.php?title=Search_Engine_Technology

搜索引擎的门槛主要是技术门槛，包括网页数据的快速采集、海量数据的索引和存储、搜索结果的相关性排序、搜索效率的毫秒级要求、分布式处理和负载均衡、自然语言的理解技术等等，这些都是搜索引擎的门槛。

搜索引擎的策略都是采用服务器群集和分布式计算技术。

<script type="text/javascript"> if (window.showTocToggle) { var tocShowText = "显示"; var tocHideText = "隐藏"; showTocToggle(); } </script>

网页搜索引擎

网页搜索引擎各子系统的设计和实现可能涉及的内容：

• 网页信息抽取、质量分析
• 数据挖掘、用户行为分析
• 分布式大规模网络服务设计
• 高性能计算，实时海量数据处理
• 相关性算法
• 中文处理，新词挖掘

集群开发

• 数百/数千台服务器在协同工作
• 管理和调优数据中心的各种设备

这需要你了解服务器硬件架构和相关原理，能够对硬件和操作系统层面进行优化。

• 测试和提高Linux内核的使用效率

这需要你熟悉linux内核，熟悉TCP/IP协议栈，熟悉路由交换技术。

• 大规模集群的系统支持
• 先进数据中心的集成支持
• 一个跨越全国的分布式系统的网络性能
• 先进的网络安全技术

机群运维

• 网页搜索各个子系统的运维操作、服务监控、故障排查，以及紧急情况下的应急处理
• 服务监控与自动运维系统或工具的设计与开发
• 研究服务架构，发现潜在问题，对网页搜索系统的研发提出改进需求，提高系统的健壮性和效率
• 对IDC、硬件、网络等资源进行规划和部署
• 制定、整理和优化内部制度和流程，制定和改进应急预案，提高服务运行的质量
• 对相关新技术保持敏锐感觉，调研和试验新的技术方向

基础设施

• 挑战系统极限--研究与优化 linux 操作系统；
• 挑战硬件性能极限--研究与定制服务器硬件系统；
• 挑战大规模、高性能网络极限--研究与优化网络；
• 挑战大规模网络环境、大服务流量情况下的网络、服务安全--研究与设计安全系统
• 设计最适应自身的IDC--研究IDC各子系统；
• 将最新研究成果，在最短的时间，应用到超大规模集群，接受亿万网民的考验！

数据分析

• 对海量日志信息进行各种统计分析
• 用户行为分析

Machine Learning

AI on the Web: Machine Learning

• Machine learning refers to a system capable of the autonomous acquisition and integration of knowledge. This capacity to learn from experience, analytical observation, and other means, results in a system that can continuously self-improve and thereby offer increased efficiency and effectiveness.

http://www.aaai.org/AITopics/html/machine.html

Google核心

• Google Internals
• Google File System
• MapReduce
• BigTable
• Google Cluster
• Chubby Distributed Lock Service
• Sawzall
• Google shipping container data center

相关链接

• http://hr.baidu.com/job.php?ct=1
• http://www.google.com/intl/zh-CN/jobs/