读书笔记这就是搜索引擎

作者：LogM

本文原载于 https://segmentfault.com/u/logm/articles，不允许转载~

本文是《这就是搜索引擎》的读书笔记

1. 概述

1.2 搜索引擎技术发展史

• 第一代：文本检索。关键词与网页内容的相关程度。
• 第二代：链接分析。PageRank。
• 第三代：用户中心。理解用户需求。

2. 爬虫

2.1 通用爬虫框架

2.3 爬虫质量的评价标准

• 抓取网页覆盖率、抓取网页时新性、抓取网页重要性
• 为了同时满足上述 3 个标准，google 用了多套不同的爬虫，一些关注时新性，一些关注覆盖率。

2.4 抓取策略

• 宽度优先遍历：暴力但有效
• 非完全 PageRank：因为 PageRank 需要拿到所有的页面计算才是准确的，爬虫抓取的时候没有看到所有页面，所以叫 ” 非完全 ”
• OPIC：改进 PageRank，实时计算
• 大站优先

2.5 更新策略

• 历史参考策略：历史上变动比较快的，抓取频繁一点，一般用泊松过程建模
• 用户体验策略：保存网页的多个历史版本，查看不同历史版本对用户点击的影响。所以用户点击不到的页面，即使更新快，也不用抓取。
• 聚类抽样策略：更新快的页面有一些类似的特征

2.6 暗网抓取

• 抓取常规网页链接不到的信息

2.7 分布式爬虫

• 一致性哈希确定每个爬虫负责哪些 url 的抓取

3. 索引

3.1 倒排索引的结构

• 单词字典 + 倒排列表

3.4 建立索引

• 两遍文档遍历法：完全在内存中构建
• 排序法：内存满时，对中间文件排序后存到磁盘，最后再合并所有的中间文件。整个过程，整个字典都在内存里，字典有可能过大。
• 归并法：每个中间文件都是一套倒排索引（含各自的字典），最后再把所有的倒排索引合并。

3.6 动态索引与索引更新

• 完全重建策略：临时索引与老索引的文档全部取出重新建索引，重建的代价高，但主流搜索引擎都采用该方式
• 再合并策略：临时索引与老索引进行索引合并（不是文档取出重新建索引，而是合并）
• 原地更新策略：再合并策略的升级，临时索引追加到老索引

3.7 查询

• 一次一文档：每个文档对 query 中所有词计算相似度
• 一次一单词：对 query 中每个词计算文档相似度，每个文档累加每个 query 词的相似度
• 跳跃指针：因为倒排索引一般是压缩保存的，跳跃指针帮助快速定位需要的文档

3.8 多字段索引

有时候需要区分不同的字段来索引，比如 ” 标题 ”、” 正文 ”、” 摘要 ” 等字段。

• 多索引方式：为每个字段都建立一份倒排索引
• 倒排列表方式：在每个倒排列表的后面追加一个字段，表示该关键词是在哪个字段出现
• 扩展列表方式：用扩展列表标明每个字段的开始和结尾位置，结合倒排列表中关键词的位置，可以知道关键词在哪个字段。实际使用常用这个方法

3.9 短语查询

• 位置信息索引：利用倒排列表中关键词的位置信息判断是否组成短语
• 双词索引：” 首词 ” 的倒排索引中有指向 ” 下词 ” 的指针，” 下词 ” 又有指针指向倒排列表
• 短语索引：会导致字典急剧膨胀，一般只用于热门短语

3.10 分布式索引

索引体积大，一台服务器存不下

• 按文档划分：按文档对索引文件进行切分。扩展性、容错性、对查询方式的支持都较好
• 按单词划分：按单词字典对索引文件进行切分

4. 索引压缩

5. 检索与排序

把与用户搜索词最相关的结果排在前面

• 布尔模型
• 向量空间模型：TF-IDF + cosine 距离
• 概率检索模型：BM25
• 语言模型：从文档生成用户搜索的概率多大
• 机器学习排序
• 评价标准：准召、P@10、MAP

6. 链接分析

6.2 重要的概念模型

• 随机游走模型：模拟用户的浏览行为，PageRank
• 子集传播模型：从一个特殊子集出发，将权重传递到其他网页，HINTS

7. 云计算与云存储

8. 网页反作弊

8.1 内容作弊

• 关键词堆砌、热门关键词、标题作弊、meta 信息作弊……
• 内容农场：雇人写垃圾文章，比机器作弊更难被判定

8.2 链接作弊

• 链接农场、购买链接、购买域名……

8.3 页面隐藏作弊

• IP Cloaking、User Agent Cloacking、页面重定向、页面隐藏……

8.4 web2.0 作弊

• 博客作弊、点评作弊、Tag 作弊、个人 Profile 作弊……

8.5 反作弊的通用思路

• 子集传播模型：信任传播模型（如 TrustRank）、不信任传播模型（如 BadRank）
• 异常发现模型（如 SpamRank）

9. 查询意图分析

10. 网页去重

11. 搜索引擎的发展趋势