`
banditjava
  • 浏览: 160160 次
  • 性别: Icon_minigender_1
  • 来自: 北京
社区版块
存档分类
最新评论

《Lucene+Nutch搜索引擎》看过以后。。。

阅读更多
研究搜索引擎技术快一个月了,最大的老师就是google和自己的编程经验了,另外还有一本我从海淀图书城抓来的《Lucene+Nutch搜索引擎》,从一个门外汉到初级入门者,其中经历了很多痛苦和短暂兴奋。

就在我认为可以大展拳脚时,发现困难超乎自己的想像。首先,关于搜索引擎技术的进阶资料少之又少,现有的资料大多数只是介绍如何使用,如何配置。再者,由于版本更新或者网络文章撰写者水平问题,很多文章都过于浅显,而且还存在很多错误,并不能解决实际问题。我现在的困惑就是,能google过来的资料缺乏深度,如何能进一步深入?

真正拥有搜索引擎技术的商业公司,由于商业秘密的原因,是不能对外公布其核心技术的,这样就造成搜索引擎技术只能掌握在少数人手里,造成学习这项技术的门槛是如此的高。

开源社区对我这样的搜索引擎技术菜鸟来说,可以说是最大的福音,有大量的开源代码可以研读,但是开源系统的通病是,相关资料很缺乏。

我跑遍了中关村所有大大小小的书店,铺天盖地C#,JAVA,FLEX,PHP,C++书,但关于搜索引擎的书,都只有一个小角落。所摆放的书普遍存在学院气息太重、陈旧、肤浅等特点、更有不着边际讲概念的。唉!

本着先入门再入行的原则,拿起了放在门口的《Lucene+Nutch搜索引擎》这本书,看起来很畅销。虽然心里想买回去可能也只看一遍,但是还是拍下了50大元。不但给自己安慰,好歹此书的内容离我研究的开源搜索引擎技术最为接近了。

对于此书的内容,其实我也不想有过多恶评,毕竟这只能算是一个扫盲级工具。或许这是我对现有能找到的搜索引擎资料不满的一个侧面写照。

我真正苛求的是,搜索引擎的真正核心技术的资料,大量的,深入的。描述排序算法的学术报告,如何能够通过高效压缩技术保证文件快速归档与读写,分级缓存并发更新机制,机器学习分词及语义理解,智能自我管理分布式集群,压榨硬件性能的若干办法。。。

不写了,太多了。这还是我能想到的,还有Jeff Dean这种大牛已经现实了的,我们并不知道的东东。

已经深夜,我却“奋”着呢,思考一下平时上班时没时间考虑的问题。在没有更好的办法出现之前,我还会坚持google,坚持open my eyes看代码,坚持买只想看一次的书,坚持在javaeye上“愤”文章。

为了回馈开源社区,我现在能做到的是,尽量把我掌握的技术点blog出来,甚至成了一个dev,直接贡献代码。
分享到:
评论
12 楼 w156445045 2012-11-24  
我最近想写这方面的论文,学位论文啊,哎。希望博主能给点思路,谢谢。
11 楼 sd1992585 2010-09-16  
哎 小弟也在研究搜索引擎, 这方面资料真是少的可怜啊。。。。

要不就是过气的 要不就是很肤浅。。。。还望老兄能多贡献点资料~
10 楼 john2007 2009-01-13  
深入研究就得看最新的文献了。EBSCO, Elsevier,ieee
9 楼 syan 2008-11-24  
那本书真是垃圾
我上个星期买的
8 楼 banditjava 2008-11-05  
pango 写道

在大学图书馆购买的电子论文库里应该能找到你需要的进阶级的论文

多谢提醒!
7 楼 pango 2008-11-05  
在大学图书馆购买的电子论文库里应该能找到你需要的进阶级的论文
6 楼 banditjava 2008-10-24  
chenlb 写道

此书什么烂。唉!

此书属于泛泛介绍,真要研究还是看源码的比较好
5 楼 chenlb 2008-10-23  
此书什么烂。唉!
4 楼 monner 2008-10-07  
国庆几天假期也在捣腾了nutch
在老兄的博客的帮助提示下,俺也顺利的运转上了nutch,
顺着老兄的思路依葫芦画瓢,我也把中文分词插件换成了PaodingAnalyzer
发现一个问题如下:

直接在命令行下运行paodinganalyzer发现分词效果十分不错
但是在插件中运行的分词效果好像不怎么样,差别很大。
具体我摘录了些log如下:
一、命令行下:(我采取的分词模式是max-word-length)

paoding> 中华人民共和国
paoding> ;
1:      中华人民共和国/

        分词器net.paoding.analysis.analyzer.PaodingAnalyzer
        内容长度 7字符, 分 1个词
        分词耗时 31ms
--------------------------------------------------
paoding> 上海自来水来是海上;
1:      上海/自来水/海上/

        分词器net.paoding.analysis.analyzer.PaodingAnalyzer
        内容长度 9字符, 分 3个词
        分词耗时 0ms
--------------------------------------------------
效果非常满意!!!

二、插件下,log摘自tomcat/logs/stdout*.log
注:“###”开头行是我自己修改Paoding代码后打印的log

2008-10-07 00:11:04,718 INFO  NutchBean - query request from 127.0.0.1
2008-10-07 00:11:05,062 INFO  NutchBean - ##Query.parse() Param: 中华人民共和国|queryLang=zh
2008-10-07 00:11:05,468 INFO  ChineseAnalyzer - ##Init ChineseAnalyzer().
2008-10-07 00:11:06,140 INFO  NutchBean - query: 中华人民共和国
2008-10-07 00:11:06,140 INFO  NutchBean - lang: zh
2008-10-07 00:11:07,703 INFO  NutchBean - searching for 20 raw hits
2008-10-07 00:11:09,703 INFO  NutchBean - re-searching for 40 raw hits, query: 中 华 民 共 国 -site:"www.gd.abc"
^^^^^^^^^^^^^^^^^基本没有效果,完全是分为单个汉字!!!!
2008-10-07 00:11:10,328 INFO  NutchBean - found 16 raw hits
2008-10-07 00:11:14,984 INFO  NutchBean - total hits: 173


不知道是什么地方有问题,我自认为我的基本配置都应该无问题,请老兄帮忙分析下。


BTW:我也仔细试用了你的so.21315.com,发现应该也有同样的问题,不知道老兄有没有好多测试下。

3 楼 monner 2008-10-06  
哈哈~~~~bandi兄真言矣~快餐式的赚钱工具而已,目前技术书籍以这种偏多!
好多书都是名字起得够鼓动人,封面设计的够玄,能够吸引眼球而已。
我也是国庆期间在书店驻足翻看了半小时,最后决定不买。

---
但愿老兄的Blog积累到一定时候,整理出版一本,俺定捧场。

每次来看到老兄的博没有更新,俺就好失落。
2 楼 banditjava 2008-10-06  
嘿嘿,扫盲级工具,我都说得很客气了,它还是赚钱工具呢
1 楼 crazyox 2008-10-06  
“一个扫盲级工具”,严重同意,哈哈,我也看了,只看了一点就不想再看了。。。

相关推荐

    离散数学课后题答案+sdut往年试卷+复习提纲资料

    离散数学课后题答案+sdut往年试卷+复习提纲资料

    智能点阵笔项目源代码全套技术资料.zip

    智能点阵笔项目源代码全套技术资料.zip

    英文字母手语图像分类数据集【已标注,约26,000张数据】

    英文字母手语图像分类数据集【已标注,约26,000张数据】 分类个数【28】:a、b、c等【具体查看json文件】 划分了训练集、测试集。存放各自的同一类数据图片。如果想可视化数据集,可以运行资源中的show脚本。 CNN分类网络改进:https://blog.csdn.net/qq_44886601/category_12858320.html 【更多图像分类、图像分割(医学)、目标检测(yolo)的项目以及相应网络的改进,可以参考本人主页:https://blog.csdn.net/qq_44886601/category_12803200.html】

    (31687028)PID控制器matlab仿真.zip

    标题中的“PID控制器matlab仿真.zip”指的是一个包含PID控制器在MATLAB环境下进行仿真的资源包。PID(比例-积分-微分)控制器是一种广泛应用的自动控制算法,它通过结合当前误差、过去误差的积分和误差变化率的微分来调整系统输出,以达到期望的控制效果。MATLAB是一款强大的数学计算软件,而Simulink是MATLAB的一个扩展模块,专门用于建模和仿真复杂的动态系统。 描述中提到,“PID控制器——MATLAB/Simulink仿真以及性能比较与分析”表明这个资源包不仅提供了PID控制器的模型,还可能包括对不同参数配置下的性能比较和分析。博主分享的是“最新升级版框架的Simulink文件”,意味着这些文件基于最新的MATLAB版本进行了优化,确保了与不同版本的MATLAB(从2015a到2020a共11个版本)的兼容性,这为用户提供了广泛的应用范围。 标签中的“PID”、“matlab”、“simulink”、“博文附件”和“多版本适用”进一步细化了内容的关键点。这表示该资源包是博客文章的附加材料,专门针对PID控制器在MATLAB的Simulink环境中进行仿真实验。多

    MATLAB代码:考虑P2G和碳捕集设备的热电联供综合能源系统优化调度模型 关键词:碳捕集 综合能源系统 电转气P2G 热电联产 低碳调度 参考文档:Modeling and Optimiza

    MATLAB代码:考虑P2G和碳捕集设备的热电联供综合能源系统优化调度模型 关键词:碳捕集 综合能源系统 电转气P2G 热电联产 低碳调度 参考文档:《Modeling and Optimization of Combined Heat and Power with Power-to-Gas and Carbon Capture System in Integrated Energy System》完美复现 仿真平台:MATLAB yalmip+gurobi 主要内容:代码主要做的是一个考虑电转气P2G和碳捕集设备的热电联供综合能源系统优化调度模型,模型耦合CHP热电联产单元、电转气单元以及碳捕集单元,并重点考虑了碳交易机制,建立了综合能源系统运行优化模型,模型为非线性模型,采用yalmip加ipopt对其进行高效求解,该模型还考虑了碳排放和碳交易,是学习低碳经济调度必备程序 代码非常精品,注释保姆级 这段代码是一个用于能源系统中的综合能源系统(Integrated Energy System)建模和优化的程序。它使用了MATLAB的优化工具箱和SDP(半定规划)变量来定义决策变

    中国飞行器设计大赛圆筒权重文件

    中国飞行器设计大赛圆筒权重文件

    java毕设项目之ssm社区文化宣传网站+jsp(完整前后端+说明文档+mysql+lw).zip

    项目包含完整前后端源码和数据库文件 环境说明: 开发语言:Java 框架:ssm,mybatis JDK版本:JDK1.8 数据库:mysql 5.7 数据库工具:Navicat11 开发软件:eclipse/idea Maven包:Maven3.3 服务器:tomcat7

    风光储、风光储并网直流微电网simulink仿真模型 系统由光伏发电系统、风力发电系统、混合储能系统(可单独储能系统)、逆变器VSR+大电网构成 光伏系统采用扰动观察法实现mppt控

    风光储、风光储并网直流微电网simulink仿真模型。 系统由光伏发电系统、风力发电系统、混合储能系统(可单独储能系统)、逆变器VSR+大电网构成。 光伏系统采用扰动观察法实现mppt控制,经过boost电路并入母线; 风机采用最佳叶尖速比实现mppt控制,风力发电系统中pmsg采用零d轴控制实现功率输出,通过三相电压型pwm变器整流并入母线; 混合储能由蓄电池和超级电容构成,通过双向DCDC变器并入母线,并采用低通滤波器实现功率分配,超级电容响应高频功率分量,蓄电池响应低频功率分量,有限抑制系统中功率波动,且符合储能的各自特性。 并网逆变器VSR采用PQ控制实现功率入网 以下是视频讲解文案: 接下来我来介绍一下 就是这个风光储直流微电网 整个仿真系统的一些架构啊 然后按照需求呢正常的讲一些 多讲一些 就是储能的这块的 还有这个并网的 三相两电瓶调的这个 并网继变器的这个模块 首先就是来介绍一下呃 整个系统的一个架构 你可以看到这个系统的架构 分别有四大部分组成 最左边的这块就是混合储能啊 这边这个是蓄电池 这个超级电容 他们都是

    ajax发请求示例.txt

    ajax发请求示例.txt

    深圳建筑安装公司“电工安全技术操作规程”.docx

    深圳建筑安装公司“电工安全技术操作规程”

    220) Vinkmag - 多概念创意报纸新闻杂志 WordPress v5.0.zip

    220) Vinkmag - 多概念创意报纸新闻杂志 WordPress v5.0.zip

    智力残疾评定标准一览表.docx

    智力残疾评定标准一览表.docx

    MDIN380 SDI转VGA 转LVDS VGA转SDI 高清视频处理 MDIN380芯片 PCB代码方案资料 3G-SDI转VGA ?3G-SDI转LVDS ?高清视频 MDIN380、GV76

    MDIN380 SDI转VGA 转LVDS VGA转SDI 高清视频处理 MDIN380芯片 PCB代码方案资料 3G-SDI转VGA ?3G-SDI转LVDS ?高清视频 MDIN380、GV7601 芯片方案(PCB图和源码)。 此方案是韩国视频处理芯片MDIN380的整合应用方案。 3G-SDI转VGA或3G-SDI转LVDS。 方案共有两块电路板(一块底板,一块MDIN380核心板 四层板)。 MDIN380和GV7601 都是BGA封装,最好有焊接BGA经验才拿。 另外有视频处理方面其它需要可联系我定制开发。 其它视频格式转,视频图像分割、拼接等可定制开发。 方案资料含有源码、PCB图。 方案已有成熟产品在应用。 注意该资料没有原理图,只有PCB图。 代码环境编译KEIL4。 画图软件Protel99、AD10。 电子文档资料

    YOLO算法-锡罐-牙罐-盖子打开数据集-179张图像带标签-锡罐-牙罐-盖子打开.zip

    YOLO系列算法目标检测数据集,包含标签,可以直接训练模型和验证测试,数据集已经划分好,包含数据集配置文件data.yaml,适用yolov5,yolov8,yolov9,yolov7,yolov10,yolo11算法; 包含两种标签格:yolo格式(txt文件)和voc格式(xml文件),分别保存在两个文件夹中,文件名末尾是部分类别名称; yolo格式:<class> <x_center> <y_center> <width> <height>, 其中: <class> 是目标的类别索引(从0开始)。 <x_center> 和 <y_center> 是目标框中心点的x和y坐标,这些坐标是相对于图像宽度和高度的比例值,范围在0到1之间。 <width> 和 <height> 是目标框的宽度和高度,也是相对于图像宽度和高度的比例值; 【注】可以下拉页面,在资源详情处查看标签具体内容;

    G120 EPOS基本定位功能关键点系列-堆垛机报F7452追踪原因.mp4

    G120 EPOS基本定位功能关键点系列_堆垛机报F7452追踪原因.mp4

    java毕设项目之ssm亚盛汽车配件销售业绩管理统+jsp(完整前后端+说明文档+mysql+lw).zip

    项目包含完整前后端源码和数据库文件 环境说明: 开发语言:Java 框架:ssm,mybatis JDK版本:JDK1.8 数据库:mysql 5.7 数据库工具:Navicat11 开发软件:eclipse/idea Maven包:Maven3.3 服务器:tomcat7

    zigbee CC2530无线自组网协议栈系统代码实现协调器与终端基于GenericApp的无线收发例程.zip

    1、嵌入式物联网单片机项目开发例程,简单、方便、好用,节省开发时间。 2、代码使用IAR软件开发,当前在CC2530上运行,如果是其他型号芯片,请自行移植。 3、软件下载时,请注意接上硬件,并确认烧录器连接正常。 4、有偿指导v:wulianjishu666; 5、如果接入其他传感器,请查看账号发布的其他资料。 6、单片机与模块的接线,在代码当中均有定义,请自行对照。 7、若硬件有差异,请根据自身情况调整代码,程序仅供参考学习。 8、代码有注释说明,请耐心阅读。 9、例程具有一定专业性,非专业人士请谨慎操作。

    基于小程序的小区物业新冠疫情物资管理平台小程序源代码(java+小程序+mysql+LW).zip

    系统可以提供信息显示和相应服务,其管理小区物业新冠疫情物资管理平台信息,查看小区物业新冠疫情物资管理平台信息,管理小区物业新冠疫情物资管理平台。 项目包含完整前后端源码和数据库文件 环境说明: 开发语言:Java JDK版本:JDK1.8 数据库:mysql 5.7 数据库工具:Navicat11 开发软件:eclipse/idea Maven包:Maven3.3 部署容器:tomcat7 小程序开发工具:hbuildx/微信开发者工具

    亲测源码云赏V7.0微信视频打赏系统源码已测试完整无错版

    云赏V7.0包括V6的所有功能外,全新UI设计,代理可以选择8种风格,添加后台统计等多种功能。 1基本设置(网站基础信息配置、包括主域名、防封尾缀、url.cnt.cn短连接接口可切换); 2转跳域名(10层防守转跳,都输入的话,都会转跳到对应的地方在跳回来,在随机取用落地); 3落地域名(添加落地域名及设置默认落地域名); 4视频列表(添加视频批量添加外链视频给代理们获取); 5代理推广:代理使用推广链接发展下级代理,后台设置提成); 6代理列表(生成邀请码注册,手动添加代理); 7提现记录(用于结算代理们的提现); 8余额记录(记录代理的余额变动); 9订单记录(记录打赏数,今日收入)。 测试环境: Nginx 1.18+PHP56+MySQL5.6,详细教程见文件内文字教程。 后台账号:admin 密码:admin888

    深圳建设施工项目易燃、易爆、有毒、有害物品管理制度.docx

    深圳建设施工项目易燃、易爆、有毒、有害物品管理制度

Global site tag (gtag.js) - Google Analytics