具体描述
《自制搜索引擎》聚焦于Google和Yahoo!等Web搜索服务幕后的搜索引擎系统，首先讲解了搜索引擎的基础知识和原理，接着以现实中的开源搜索引擎Senna/Groonga为示例，使用该引擎的源代码引导读者亲自体验搜索引擎的开发过程。这部分讲解涉及了倒排索引的制作和压缩、检索的处理流程以及搜索引擎的优化等内容。又简单介绍了一些更加专业的搜索引擎的知识和要点，为读者今后进一步学习打下了基础。本书适合所有对搜索引擎感兴趣的技术人员阅读。
作者简介
山田浩之（作者）
信息工程学博士。先后于日本IBM、雅虎从事分布式搜索引擎的研发工作。目前在东京大学生产技术研究所从事高性能并行数据库的研发工作。
末永匡（作者）
开源搜索引擎Senna/Groonga的开发者。每天都在奋斗，梦想着能创建一个更加自由、更加无拘无束的，而不是一家独大的应用程序平台。
胡屹（译者）
多年从事Web开发工作。热爱编程，关注设计模式，致力于提升软件开发的质量。曾获得SCJP和PHP ZCE证书。译有《计算机是怎样跑起来的》。
目录信息
1-1 理解搜索引擎的构成 3
什么是搜索引擎 3
构成搜索引擎的组件 4
与搜索引擎相关的组件 5
1-2 实现了快速全文搜索的索引结构 7
全文搜索的两种方法 7
倒排索引的结构 8
倒排索引的构建方法 9
倒排索引中的术语 10
1-3 深入理解倒排索引 12
倒排索引=词典+倒排文件 12
从倒排索引中查找单词 13
将单词的位置信息加入倒排文件中 13
从倒排索引中查找短语 14
1-4 制作中文文档的倒排索引 16
分割中文句子的方法 16
权衡分割方法 17
1-5 实现倒排索引 19
实现词典 19
实现倒排文件 22
1-6 使用倒排索引进行检索 24
布尔检索 24
使用倒排索引的检索处理流程 24
关联度的计算方法 26
信息检索中的检索 27
1-7 构建倒排索引 29
使用内存构建倒排索引 29
使用二级存储构建倒排索引 29
静态索引构建和动态索引构建 32
1-8 准备要检索的文档 34
收集数据 34
数据规范化 35
第2章 准备全文搜索引擎的检索样本 37
2-1 全文搜索引擎wiser 39
wiser的构成 39
准备用于检索的文档 40
2-2 安装wiser 42
构建wiser 42
启动wiser 43
解压缩Wikipedia的副本 44
2-3 运行wiser 45
构建倒排索引 45
使用倒排索引查询 46
比较grep和wiser的运行速度 46
第3章 构建倒排索引 49
3-1 复习有关倒排索引的知识 51
提取词元 51
为每个词元创建倒排列表 53
3-2 构建倒排索引 54
在存储器上创建倒排列表 54
倒排列表和倒排文件的数据结构 54
从源代码级别梳理倒排索引的构建顺序 56
进一步阅读源代码 59
专栏 根据实际情况设计搜索引擎（系统） 68
第4章 开始检索吧 71
4-1 检索处理的大致流程 73
充分理解检索处理的流程 73
4-2 使用倒排索引进行检索 75
从源代码级别梳理检索处理的流程 75
解读split_query_to_tokens()函数的具体实现 76
使用具体示例加深对检索处理流程的理解 77
解读函数search_docs()的实现细节 80
解读函数search_phrase()的实现 84
专栏 如何实现标签检索 88
第5章 压缩倒排索引 89
5-1 压缩的基础知识 90
压缩倒排索引的好处 90
专栏 压缩的目的 90
倒排索引的压缩方法 91
倒排文件的压缩方法 91
压缩的原理 94
5-2 实现wiser中的压缩功能 97
压缩功能源代码的概要 97
了解无需进行压缩时的操作 99
抓住Golomb编码的要点 101
解读Golomb编码中的编码处理 105
解读Golomb编码的解码处理 108
第6章 挑战wiser的优化及参数的调整 113
6-1 提高检索处理的效率 115
优化检索处理 115
将查询分割为无重复部分的词元序列 116
6-2 禁用短语检索 119
分析对2字符的字符串进行检索时的行为 119
分析对3字符的字符串进行检索时的行为 120
6-3 改变检索结果的输出顺序 122
作为检索结果排序核心的指标 122
按照文档大小降序排列的检索结果 124
专栏 排名欺诈 128
6-4 让1个字符的查询也能检索出结果 29
获取以特定字符开头的词元的列表 129
合并检索到的结果 131
专栏 如何实现相似文档的检索 131
6-5 调整控制倒排索引更新的缓冲区容量 133
确认由缓冲区容量的差异带来的不同效果 133
用sar命令分析负载 134
6-6 调整只有英文字母的词元的分割方法 135
如何避免用英文单词检索时准确率下降的问题 135
如何判断某字符是否属于索引对象 135
修改负责分割词元的函数 136
6-7 确认压缩的效果 138
观察Golomb编码的效果 138
对比压缩启用前后的索引大小 138
专栏 避免滥用全文搜索引擎 139
第7章 为今后更加深入的学习做准备 141
7-1 wiser没能实现的功能 143
倒排索引之外的全文搜索索引 143
高效处理大规模数据的存储器 143
利用缓存提高检索的速度 143
使用各种各样的压缩方法 144
优化搜索结果的排名 144
调整准确率和召回率 145
降低检索结果排序处理的负载 147
并行处理 147
结合对属性的筛选过滤 148
分面搜索 148
专栏 时延和吞吐量 149
7-2 全文搜索引擎Groonga的特点 150
通过词元的部分一致检索提升召回率 150
使用内存映射文件 151
片段 152
专栏 宣传活动的重要性 152
7-3 实现出考虑到用户意图的搜索引擎 153
引入停用词 153
应对词素解析的错误 153
专栏 断句错误 154
处理全角字符和半角字符 155
对查询进行归一化 156
留意布尔检索的解析过程 156
通过词素解析器适当地解析查询 157
对错误的输入进行修正 157
输入补全 158
建议用户检索相关的关键词 159
7-4 收集、提取文档时的要点 160
制作爬虫时的处理要点 160
在提取文本时需要处理的要点 163
Appendix 附录 165
A-1 深度话题 166
近几年的压缩方法 166
动态索引构建 169
分布式索引 174
A-2 wiser中的文本提取和存储 178
用于处理XML的2 种API——DOM和SAX 178
提取文档的标题和正文 179
掌握状态的迁移 182
构建文档数据库 187
后记 191
· · · · · · (收起)
读后感
本书主要讲解了：如何从零开始，编写一个基于“倒排索引”（Inverted Index）的“全文检索引擎”（FullText Search Engine）。最终的成果，相当于一个迷你版的Apache Lucene。（注意：是自制Lucene，而不是调用Lucene） 《自制搜索引擎》详细书评：[Blog链接] 书籍附带的迷你全...
本书主要讲解了：如何从零开始，编写一个基于“倒排索引”（Inverted Index）的“全文检索引擎”（FullText Search Engine）。最终的成果，相当于一个迷你版的Apache Lucene。（注意：是自制Lucene，而不是调用Lucene） 《自制搜索引擎》详细书评：[Blog链接] 书籍附带的迷你全...
本书主要讲解了：如何从零开始，编写一个基于“倒排索引”（Inverted Index）的“全文检索引擎”（FullText Search Engine）。最终的成果，相当于一个迷你版的Apache Lucene。（注意：是自制Lucene，而不是调用Lucene） 《自制搜索引擎》详细书评：[Blog链接] 书籍附带的迷你全...
本书主要讲解了：如何从零开始，编写一个基于“倒排索引”（Inverted Index）的“全文检索引擎”（FullText Search Engine）。最终的成果，相当于一个迷你版的Apache Lucene。（注意：是自制Lucene，而不是调用Lucene） 《自制搜索引擎》详细书评：[Blog链接] 书籍附带的迷你全...
1. 第一章“搜索引擎是如何工作的”是我感觉收获最多的一部分，把倒排说明说得比较清楚，通过一些插图能容易理解倒排索引对于搜索的核心作用； 2. 本书是通过C语言来实现一个小型的搜索引擎，代码量比较少而且都比较清楚，对于实现一个搜索引擎的理解是很有帮助的； 3. 另外还...
用户评价
这本书的语言风格非常具有“工程师的浪漫主义色彩”，它既有对底层细节的精准把控，又流露出对构建完美信息工具的热切追求。作者在讲解复杂算法时，总是能用一些生活中的类比或巧妙的比喻来辅助说明，极大地降低了学习曲线。例如，他对PageRank算法的解释，不再是简单套用公式，而是将其比作学术界的引用和影响力传播过程，这种代入感极强。我特别欣赏作者对“稀疏数据处理”那一块的阐述，这部分内容在很多同类书籍中常被一笔带过，但这本书却对其进行了详尽的数学推导和实际应用场景的展示。读完后，我感觉自己不仅掌握了知识，更像是获得了一套解决复杂工程问题的思维框架。这本书的排版和图表设计也值得称赞，那些流程图和结构示意图清晰明了，有效地将抽象的概念可视化，对于视觉学习者来说简直是福音。这是一本可以反复翻阅，每次都能发现新亮点的工具书。
初翻这本书，我本以为会是一本枯燥的技术手册，充斥着晦涩难懂的代码片段和算法公式，但事实恰恰相反，作者的笔触极为细腻且充满人文关怀。他巧妙地将信息检索的历史演变融入到技术讲解之中，使得整个阅读过程如同跟随一位资深的历史学家在探索知识的足迹。书中对早期布尔模型到现代的向量空间模型乃至更先进的机器学习方法的演进路径梳理得井井有条，每一步的技术飞跃背后都伴随着对信息爆炸时代人类需求的深刻洞察。最让我印象深刻的是关于“反垃圾信息”和“搜索公平性”的章节，作者没有回避技术中存在的伦理困境和社会责任，这使得这本书不仅仅是关于“如何做”，更是关于“应该如何做”的深刻反思。这种对技术局限性和未来方向的坦诚讨论，极大地提升了本书的价值，让我认识到构建一个优秀的搜索引擎，技术能力和道德准则同样不可或缺。那种沉浸式的阅读感，让我感觉自己不再是一个被动的信息消费者，而是一个对信息流动具有批判性思维的参与者。
坦白说，我是一个偏爱叙事性强的书籍的读者，对于纯粹的技术书籍往往望而却步。然而，这本书以其独特的“问题导向”叙事结构成功地抓住了我的注意力。每一章都围绕一个核心的工程挑战展开，比如“如何处理海量数据的高效存储”或者“如何实时更新索引而不中断服务”，然后作者才逐步引入解决这些问题的技术方案。这种层层递进的讲述方式，让原本高不可攀的技术点变得非常容易消化和理解。书中对不同技术栈（比如分布式系统、数据库选择）的权衡分析尤为精彩，展示了在现实世界的资源限制下，工程师们必须做出怎样的取舍。我特别喜欢其中穿插的那些“失败案例分析”，这些真实的事故或设计缺陷的剖析，远比理论上的成功案例更有教育意义，它们教会了我如何在实践中避免常见的陷阱。这本书的实用性极强，即便你只是想优化自己的个人知识库管理系统，也能从中汲取到宝贵的架构思路。
这本书的阅读体验真是出乎意料地引人入胜，它仿佛是一扇通往信息世界深处的大门，带领我这位技术爱好者，从一个全新的角度审视我们日常使用的搜索工具。作者的叙述风格充满了洞察力与实操性，虽然我不是专业的程序员，但那些关于数据抓取、索引构建以及排名算法的讲解，却以一种极其清晰且富有逻辑的方式呈现出来，让人在不知不觉中就理解了搜索引擎背后的复杂机制。我尤其欣赏书中对于“相关性”这个核心概念的深入探讨，它不仅仅停留在理论层面，而是结合了大量的实例来阐释如何平衡精确匹配与语义理解，这对于理解为什么有些搜索结果比其他结果更有用至关重要。读完后，我对那些看似简单的搜索框下的技术奇迹有了更深层次的敬畏。书中对于用户体验设计环节的关注也十分到位，探讨了如何优化界面和响应速度，这些细节往往是决定一个搜索工具能否真正被大众接受的关键所在。整体而言，这是一本兼具学术深度和应用广度的佳作，远超我对一本技术书籍的期待，让人读后迫不及待地想要尝试自己动手构建一些更有效的信息检索系统。
当我合上这本书时，心中涌起的是一种对知识边界被拓宽的兴奋感。这本书的视野之开阔，让人惊叹。它不仅仅停留在构建一个基础的爬虫和索引层面，更是勇敢地涉足到了前沿的自然语言处理（NLP）技术在搜索中的集成应用。作者对词嵌入（Word Embeddings）和深度学习模型在语义匹配中的作用的探讨，展示了搜索技术正在如何从基于关键词的匹配，进化为基于意图的理解。这种前瞻性的视角，让这本书在众多偏重基础技术的读物中脱颖而出。我从中学到的不仅仅是如何让搜索引擎“工作”，更是如何让它“思考”。书中对于大规模并行计算在数据处理中的必要性论述，也让我对现代云计算架构有了更深刻的理解。总而言之，这是一本面向未来的参考书，它不仅总结了过去的智慧，更指明了信息检索技术未来十年的发展方向，对于任何希望站在行业前沿的人来说，都具有不可替代的价值。
非常好的一本书，翻译也不错，该书应算简洁经典奇作了。有评论说没有wiser安装和详细讲解，那应该是看书不仔细，看网页不仔细，基础欠缺的原因。注意wiser的源码是要在linux或者mac的机器上编译运行的。
非常好的一本书，翻译也不错，该书应算简洁经典奇作了。有评论说没有wiser安装和详细讲解，那应该是看书不仔细，看网页不仔细，基础欠缺的原因。注意wiser的源码是要在linux或者mac的机器上编译运行的。
概念讲得清晰，但讲的东西并不多。
Lucene学习前了解下搜索引擎
前言里说有，结果到了出版社的网站上看，根本找不到，书里面的wiser介绍也非常简略，根本没有安装的相关信息，只是提到它会用到什么库。
