第1章 搜索引擎總體結構 1
1.1 搜索引擎基本模塊 1
1.2 開發環境 2
1.3 搜索引擎工作原理 3
1.3.1 網絡爬蟲 4
1.3.2 全文索引結構與Lucene實現 4
1.3.3 搜索用戶界麵 7
1.3.4 計算框架 8
1.3.5 文本挖掘 9
1.4 本章小結 9
第2章 網絡爬蟲的原理與應用 11
2.1 爬蟲的基本原理 11
2.2 爬蟲架構 14
2.2.1 基本架構 14
2.2.2 分布式爬蟲架構 16
2.2.3 垂直爬蟲架構 17
2.3 抓取網頁 18
2.3.1 下載網頁的基本方法 19
2.3.2 網頁更新 23
2.3.3 抓取限製應對方法 25
2.3.4 URL地址提取 28
2.3.5 抓取JavaScript動態頁麵 28
2.3.6 抓取即時信息 31
2.3.7 抓取暗網 32
2.3.8 信息過濾 33
2.3.9 最好優先遍曆 39
2.4 存儲URL地址 40
2.4.1 BerkeleyDB 40
2.4.2 布隆過濾器 42
2.5 並行抓取 45
2.5.1 多綫程爬蟲 46
2.5.2 垂直搜索的多綫程爬蟲 48
2.5.3 異步I/O 49
2.6 RSS抓取 53
2.7 抓取FTP 55
2.8 下載圖片 55
2.9 圖像的OCR識彆 56
2.9.1 圖像二值化 57
2.9.2 切分圖像 60
2.9.3 SVM分類 63
2.10 Web結構挖掘 67
2.10.1 存儲Web圖 67
2.10.2 PageRank算法 71
2.10.3 HITs算法 77
2.10.4 主題相關的PageRank 81
2.11 部署爬蟲 83
2.12 本章小結 83
第3章 索引內容提取 86
3.1 從HTML文件中提取文本 86
3.1.1 識彆網頁的編碼 86
3.1.2 網頁編碼轉換為字符串編碼 89
3.1.3 使用正則錶達式提取數據 89
3.1.4 結構化信息提取 91
3.1.5 網頁的DOM結構 94
3.1.6 使用NekoHTML提取信息 95
3.1.7 使用Jsoup提取信息 101
3.1.8 網頁去噪 105
3.1.9 網頁結構相似度計算 110
3.1.10 提取標題 112
3.1.11 提取日期 113
3.2 從非HTML文件中提取文本 113
3.2.1 提取標題的一般方法 114
3.2.2 PDF文件 118
3.2.3 Word文件 122
3.2.4 Rtf文件 123
3.2.5 Excel文件 134
3.2.6 PowerPoint文件 137
3.3 流媒體內容提取 137
3.3.1 音頻流內容提取 138
3.3.2 視頻流內容提取 140
3.4 存儲提取內容 142
3.5 本章小結 143
第4章 中文分詞的原理與實現 144
4.1 Lucene中的中文分詞 145
4.1.1 Lucene切分原理 145
4.1.2 Lucene中的Analyzer 146
4.1.3 自己寫Analyzer 148
4.1.4 Lietu中文分詞 150
4.2 查找詞典算法 151
4.2.1 標準Trie樹 151
4.2.2 三叉Trie樹 154
4.3 中文分詞的原理 159
4.4 中文分詞流程與結構 162
4.5 形成切分詞圖 164
4.6 概率語言模型的分詞方法 169
4.7 N元分詞方法 173
4.8 新詞發現 178
4.9 未登錄詞識彆 179
4.10 詞性標注 180
4.10.1 隱馬爾可夫模型 183
4.10.2 基於轉換的錯誤學習方法 191
4.11 平滑算法 193
4.12 本章小結 198
第5章 讓搜索引擎理解自然語言 199
5.1 停用詞錶 200
5.2 句法分析樹 201
5.3 相似度計算 205
5.4 文檔排重 209
5.4.1 語義指紋 210
5.4.2 SimHash 213
5.4.3 分布式文檔排重 223
5.5 中文關鍵詞提取 223
5.5.1 關鍵詞提取的基本方法 223
5.5.2 HITS算法應用於關鍵詞提取 226
5.5.3 從網頁中提取關鍵詞 228
5.6 相關搜索詞 228
5.6.1 挖掘相關搜索詞 229
5.6.2 使用多綫程計算相關搜索詞 231
5.7 信息提取 232
5.8 拼寫檢查與建議 237
5.8.1 模糊匹配問題 240
5.8.2 英文拼寫檢查 242
5.8.3 中文拼寫檢查 244
5.9 自動摘要 247
5.9.1 自動摘要技術 247
5.9.2 自動摘要的設計 247
5.9.3 Lucene中的動態摘要 254
5.10 文本分類 257
5.10.1 特徵提取 259
5.10.2 中心嚮量法 262
5.10.3 樸素貝葉斯 265
5.10.4 支持嚮量機 272
5.10.5 規則方法 279
5.10.6 網頁分類 282
5.11 拼音轉換 283
5.12 概念搜索 284
5.13 多語言搜索 292
5.14 跨語言搜索 293
5.15 情感識彆 295
5.15.1 確定詞語的褒貶傾嚮 298
5.15.2 實現情感識彆 300
5.16 本章小結 301
第6章 Lucene原理與應用 303
6.1 Lucene深入介紹 304
6.1.1 常用查詢對象 304
6.1.2 查詢語法與解析 304
6.1.3 查詢原理 308
6.1.4 分析文本 309
6.1.5 使用Filter篩選搜索結果 316
6.1.6 遍曆索引庫 317
6.1.7 索引數值列 318
6.2 Lucene中的壓縮算法 322
6.2.1 變長壓縮 322
6.2.2 PForDelta 324
6.2.3 前綴壓縮 326
6.2.4 差分編碼 328
6.3 創建和維護索引庫 330
6.3.1 創建索引庫 330
6.3.2 嚮索引庫中添加索引文檔 331
6.3.3 刪除索引庫中的索引文檔 334
6.3.4 更新索引庫中的索引文檔 334
6.3.5 索引的閤並 335
6.3.6 索引文件格式 335
6.4 查找索引庫 338
6.4.1 查詢過程 338
6.4.2 常用查詢 342
6.4.3 基本詞查詢 343
6.4.4 模糊匹配 343
6.4.5 布爾查詢 345
6.4.6 短語查詢 347
6.4.7 跨度查詢 349
6.4.8 FieldScoreQuery 353
6.5 讀寫並發控製 356
6.6 檢索模型 356
6.6.1 嚮量空間模型 357
6.6.2 BM25概率模型 361
6.6.3 統計語言模型 367
6.7 本章小結 369
第7章 搜索引擎用戶界麵 370
7.1 實現Lucene搜索 370
7.2 實現搜索接口 372
7.2.1 編碼識彆 372
7.2.2 布爾搜索 375
7.2.3 指定範圍搜索 375
7.2.4 搜索結果排序 376
7.2.5 搜索頁麵的索引緩存與更新 377
7.3 曆史搜索詞記錄 380
7.4 實現關鍵詞高亮顯示 381
7.5 實現分類統計視圖 383
7.6 實現Ajax搜索聯想詞 388
7.6.1 估計查詢詞的文檔頻率 388
7.6.2 搜索聯想詞總體結構 389
7.6.3 服務器端處理 389
7.6.4 瀏覽器端處理 390
7.6.5 服務器端改進 395
7.6.6 拼音提示 398
7.6.7 部署總結 399
7.7 集成其他功能 399
7.7.1 拼寫檢查 399
7.7.2 分類統計 400
7.7.3 相關搜索 402
7.7.4 再次查找 405
7.7.5 搜索日誌 405
7.8 搜索日誌分析 407
7.8.1 日誌信息過濾 407
7.8.2 信息統計 409
7.8.3 挖掘日誌信息 411
7.9 本章小結 412
第8章 使用Solr實現企業搜索 413
8.1 Solr簡介 413
8.2 Solr基本用法 414
8.2.1 Solr服務器端的配置與中文支持 415
8.2.2 把數據放進Solr 421
8.2.3 刪除數據 423
8.2.4 Solr客戶端與搜索界麵 424
8.2.5 Spring實現的搜索界麵 425
8.2.6 Solr索引庫的查找 436
8.2.7 索引分發 440
8.2.8 Solr搜索優化 442
8.3 Solr擴展與定製 445
8.3.1 Solr中字詞混閤索引 445
8.3.2 相關檢索 447
8.3.3 搜索結果去重 449
8.3.4 定製輸入輸齣 453
8.3.5 分布式搜索 457
8.3.6 SolrJ查詢分析器 458
8.3.7 擴展SolrJ 466
8.3.8 擴展Solr 467
8.3.9 查詢Web圖 471
8.4 本章小結 473
第9章 地理信息係統案例分析 474
9.1 新聞提取 474
9.2 POI信息提取 479
9.2.1 提取主體 484
9.2.2 提取地區 485
9.2.3 指代消解 487
9.3 機器翻譯 489
9.3.1 詞對齊 490
9.3.2 翻譯公司名 491
9.3.3 調整語序 493
9.4 本章小結 494
第10章 戶外活動搜索案例分析 495
10.1 爬蟲 495
10.2 信息提取 497
10.3 活動分類 501
10.4 搜索 501
10.5 本章小結 502
參考資料 503
· · · · · · (收起)