青青草原综合久久大伊人导航_色综合久久天天综合_日日噜噜夜夜狠狠久久丁香五月_热久久这里只有精品

學著站在巨人的肩膀上

金融數學,InformationSearch,Compiler,OS,

  C++博客 :: 首頁 :: 新隨筆 :: 聯系 :: 聚合  :: 管理 ::
  12 隨筆 :: 0 文章 :: 8 評論 :: 0 Trackbacks

不好意思讓大家久等了,前一陣一直在忙考試,終于結束了。呵呵!廢話不多說了下面我們開始吧!

TSE用的是將抓取回來的網頁文檔全部裝入一個大文檔,讓后對這一個大文檔內的數據整體統一的建索引,其中包含了幾個步驟。

view plaincopy to clipboardprint?
1.  The document index (Doc.idx) keeps information about each document.  
 
It is a fixed width ISAM (Index sequential access mode) index, orderd by docID.  
 
The information stored in each entry includes a pointer into the repository,  
 
a document length, a document checksum.  
 
 
 
//Doc.idx  文檔編號 文檔長度    checksum hash碼  
 
0   0   bc9ce846d7987c4534f53d423380ba70  
 
1   76760   4f47a3cad91f7d35f4bb6b2a638420e5  
 
2   141624  d019433008538f65329ae8e39b86026c  
 
3   142350  5705b8f58110f9ad61b1321c52605795  
 
//Doc.idx   end  
 
 
 
  The url index (url.idx) is used to convert URLs into docIDs.  
 
 
 
//url.idx  
 
5c36868a9c5117eadbda747cbdb0725f    0 
 
3272e136dd90263ee306a835c6c70d77    1 
 
6b8601bb3bb9ab80f868d549b5c5a5f3    2 
 
3f9eba99fa788954b5ff7f35a5db6e1f    3 
 
//url.idx   end  
 
 
 
It is a list of URL checksums with their corresponding docIDs and is sorted by  
 
checksum. In order to find the docID of a particular URL, the URL's checksum  
 
is computed and a binary search is performed on the checksums file to find its  
 
docID.  
 
 
 
    ./DocIndex  
 
        got Doc.idx, Url.idx, DocId2Url.idx //Data文件夾中的Doc.idx DocId2Url.idx和Doc.idx中  
 
 
 
//DocId2Url.idx  
 
0   http://*.*.edu.cn/index.aspx  
 
1   http://*.*.edu.cn/showcontent1.jsp?NewsID=118  
 
2   http://*.*.edu.cn/0102.html  
 
3   http://*.*.edu.cn/0103.html  
 
//DocId2Url.idx end  
 
 
 
2.  sort Url.idx|uniq > Url.idx.sort_uniq    //Data文件夾中的Url.idx.sort_uniq  
 
 
 
//Url.idx.sort_uniq  
 
//對hash值進行排序  
 
000bfdfd8b2dedd926b58ba00d40986b    1111 
 
000c7e34b653b5135a2361c6818e48dc    1831 
 
0019d12f438eec910a06a606f570fde8    366 
 
0033f7c005ec776f67f496cd8bc4ae0d    2103 
 
 
 
3. Segment document to terms, (with finding document according to the url)  
 
    ./DocSegment Tianwang.raw.2559638448        //Tianwang.raw.2559638448為爬回來的文件 ,每個頁面包含http頭  
 
        got Tianwang.raw.2559638448.seg       
 
 
 
//Tianwang.raw.2559638448   爬取的原始網頁文件在文檔內部每一個文檔之間應該是通過version,</html>和回車做標志位分割的  
 
version: 1.0 
 
url: http://***.105.138.175/Default2.asp?lang=gb  
 
origin: http://***.105.138.175/  
 
date: Fri, 23 May 2008 20:01:36 GMT  
 
ip: 162.105.138.175 
 
length: 38413 
 
 
 
HTTP/1.1 200 OK  
 
Server: Microsoft-IIS/5.0 
 
Date: Fri, 23 May 2008 11:17:49 GMT  
 
Connection: keep-alive  
 
Connection: Keep-Alive  
 
Content-Length: 38088 
 
Content-Type: text/html; Charset=gb2312  
 
Expires: Fri, 23 May 2008 11:17:49 GMT  
 
Set-Cookie: ASPSESSIONIDSSTRDCAB=IMEOMBIAIPDFCKPAEDJFHOIH; path=/  
 
Cache-control: private 
 
 
 
 
 
 
 
<!DOCTYPE HTML PUBLIC "-//W3C//DTD HTML 4.01 Transitional//EN" 
 
" 
<html>  
 
<head>  
 
<title>Apabi數字資源平臺</title>  
 
<meta http-equiv="Content-Type" content="text/html; charset=gb2312">  
 
<META NAME="ROBOTS" CONTENT="INDEX,NOFOLLOW">  
 
<META NAME="DESCRIPTION" CONTENT="數字圖書館 方正數字圖書館 電子圖書 電子書 ebook e書 Apabi 數字資源平臺">  
 
<link rel="stylesheet" type="text/css" href="css\common.css">  
 
 
 
<style type="text/css">  
 
<!--  
 
.style4 {color: #666666}  
 
-->  
 
</style>  
 
 
 
<script LANGUAGE="vbscript">  
 
...  
 
</script>  
 
 
 
<Script Language="javascript">  
 
...  
 
</Script>  
 
</head>  
 
<body leftmargin="0" topmargin="0">  
 
</body>  
 
</html>  
 
//Tianwang.raw.2559638448   end  
 
 
 
//Tianwang.raw.2559638448.seg   將每個頁面分成一行如下(注意中間沒有回車作為分隔)  
 

 
...  
 
...  
 
...  
 

 
...  
 
...  
 
...  
 
//Tianwang.raw.2559638448.seg   end  
 
 
 
//下是 Tiny search 非必須因素  
 
4. Create forward index (docic-->termid)     //建立正向索引  
 
    ./CrtForwardIdx Tianwang.raw.2559638448.seg > moon.fidx  
 
 
 
//Tianwang.raw.2559638448.seg 將每個頁面分成一行如下<BR>//分詞   DocID<BR>1<BR>三星/  s/  手機/  論壇/  ,/  手機/  鈴聲/  下載/  ,/  手機/  圖片/  下載/  ,/  手機/<BR>2<BR>...<BR>...<BR>... 

1.  The document index (Doc.idx) keeps information about each document.

It is a fixed width ISAM (Index sequential access mode) index, orderd by docID.

The information stored in each entry includes a pointer into the repository,

a document length, a document checksum.

 

//Doc.idx  文檔編號 文檔長度 checksum hash碼

0 0 bc9ce846d7987c4534f53d423380ba70

1 76760 4f47a3cad91f7d35f4bb6b2a638420e5

2 141624 d019433008538f65329ae8e39b86026c

3 142350 5705b8f58110f9ad61b1321c52605795

//Doc.idx end

 

  The url index (url.idx) is used to convert URLs into docIDs.

 

//url.idx

5c36868a9c5117eadbda747cbdb0725f 0

3272e136dd90263ee306a835c6c70d77 1

6b8601bb3bb9ab80f868d549b5c5a5f3 2

3f9eba99fa788954b5ff7f35a5db6e1f 3

//url.idx end

 

It is a list of URL checksums with their corresponding docIDs and is sorted by

checksum. In order to find the docID of a particular URL, the URL's checksum

is computed and a binary search is performed on the checksums file to find its

docID.

 

 ./DocIndex

  got Doc.idx, Url.idx, DocId2Url.idx //Data文件夾中的Doc.idx DocId2Url.idx和Doc.idx中

 

//DocId2Url.idx

http://*.*.edu.cn/index.aspx

http://*.*.edu.cn/showcontent1.jsp?NewsID=118

http://*.*.edu.cn/0102.html

http://*.*.edu.cn/0103.html

//DocId2Url.idx end

 

2.  sort Url.idx|uniq > Url.idx.sort_uniq //Data文件夾中的Url.idx.sort_uniq

 

//Url.idx.sort_uniq

//對hash值進行排序

000bfdfd8b2dedd926b58ba00d40986b 1111

000c7e34b653b5135a2361c6818e48dc 1831

0019d12f438eec910a06a606f570fde8 366

0033f7c005ec776f67f496cd8bc4ae0d 2103

 

3. Segment document to terms, (with finding document according to the url)

 ./DocSegment Tianwang.raw.2559638448  //Tianwang.raw.2559638448為爬回來的文件 ,每個頁面包含http頭

  got Tianwang.raw.2559638448.seg  

 

//Tianwang.raw.2559638448 爬取的原始網頁文件在文檔內部每一個文檔之間應該是通過version,</html>和回車做標志位分割的

version: 1.0

url: http://***.105.138.175/Default2.asp?lang=gb

origin: http://***.105.138.175/

date: Fri, 23 May 2008 20:01:36 GMT

ip: 162.105.138.175

length: 38413

 

HTTP/1.1 200 OK

Server: Microsoft-IIS/5.0

Date: Fri, 23 May 2008 11:17:49 GMT

Connection: keep-alive

Connection: Keep-Alive

Content-Length: 38088

Content-Type: text/html; Charset=gb2312

Expires: Fri, 23 May 2008 11:17:49 GMT

Set-Cookie: ASPSESSIONIDSSTRDCAB=IMEOMBIAIPDFCKPAEDJFHOIH; path=/

Cache-control: private

 

 

 

<!DOCTYPE HTML PUBLIC "-//W3C//DTD HTML 4.01 Transitional//EN"

"

<html>

<head>

<title>Apabi數字資源平臺</title>

<meta http-equiv="Content-Type" content="text/html; charset=gb2312">

<META NAME="ROBOTS" CONTENT="INDEX,NOFOLLOW">

<META NAME="DESCRIPTION" CONTENT="數字圖書館 方正數字圖書館 電子圖書 電子書 ebook e書 Apabi 數字資源平臺">

<link rel="stylesheet" type="text/css" href="css\common.css">

 

<style type="text/css">

<!--

.style4 {color: #666666}

-->

</style>

 

<script LANGUAGE="vbscript">

...

</script>

 

<Script Language="javascript">

...

</Script>

</head>

<body leftmargin="0" topmargin="0">

</body>

</html>

//Tianwang.raw.2559638448 end

 

//Tianwang.raw.2559638448.seg 將每個頁面分成一行如下(注意中間沒有回車作為分隔)

1

...

...

...

2

...

...

...

//Tianwang.raw.2559638448.seg end

 

//下是 Tiny search 非必須因素

4. Create forward index (docic-->termid)  //建立正向索引

 ./CrtForwardIdx Tianwang.raw.2559638448.seg > moon.fidx

 

//Tianwang.raw.2559638448.seg 將每個頁面分成一行如下//分詞   DocID1三星/  s/  手機/  論壇/  ,/  手機/  鈴聲/  下載/  ,/  手機/  圖片/  下載/  ,/  手機/2.........view plaincopy to clipboardprint?
//Tianwang.raw.2559638448.seg end  
 
 
//moon.fidx  
 
//每篇文檔號對應文檔內分出來的    分詞  DocID  
 
都會  2391 
 
使   2391 
 
那些  2391 
 
擁有  2391 
 
它   2391 
 
的   2391 
 
人   2391 
 
的   2391 
 
視野  2391 
 
變   2391 
 
窄   2391 
 
在   2180 
 
研究生部    2180 
 
主頁  2180 
 
培養  2180 
 
管理  2180 
 
欄目  2180 
 
下載  2180 
 
)   2180 
 
、   2180 
 
關于  2180 
 
做好  2180 
 
年   2180 
 
國家  2180 
 
公派  2180 
 
研究生 2180 
 
項目  2180 
 
//moon.fidx end  
 
 
 
5.# set | grep "LANG" 
 
LANG=en; export LANG;  
 
sort moon.fidx > moon.fidx.sort  
 
 
 
6. Create inverted index (termid-->docid)    //建立倒排索引  
 
    ./CrtInvertedIdx moon.fidx.sort > sun.iidx  
 
 
 
//sun.iidx  //文件規模大概減少1/2  
 
花工   236 
 
花海   2103 
 
花卉   1018 1061 1061 1061 1730 1730 1730 1730 1730 1852 949 949 
 
花蕾   447 447 
 
花木   1061 
 
花呢   1430 
 
花期   447 447 447 447 447 525 
 
花錢   174 236 
 
花色   1730 1730 
 
花色品種     1660 
 
花生   450 526 
 
花式   1428 1430 1430 1430 
 
花紋   1430 1430 
 
花序   447 447 447 447 447 450 
 
花絮   136 137 
 
花芽   450 450 
 
//sun.iidx  end  
 
 
 
TSESearch   CGI program for query  
 
Snapshot    CGI program for page snapshot  
 
 
<P>  
author:http://hi.baidu.com/jrckkyy  
 
author:http://blog.csdn.net/jrckkyy  
</P> 

 

posted on 2009-12-10 22:55 學者站在巨人的肩膀上 閱讀(1321) 評論(1)  編輯 收藏 引用 所屬分類: 中文文本信息處理

評論

# re: 自頂向下學搜索引擎——北大天網搜索引擎TSE分析及完全注釋[5]倒排索引的建立及文件介紹 2009-12-12 13:18 淘寶皇冠大全
阿呆搜地哦的  回復  更多評論
  

青青草原综合久久大伊人导航_色综合久久天天综合_日日噜噜夜夜狠狠久久丁香五月_热久久这里只有精品
  • <ins id="pjuwb"></ins>
    <blockquote id="pjuwb"><pre id="pjuwb"></pre></blockquote>
    <noscript id="pjuwb"></noscript>
          <sup id="pjuwb"><pre id="pjuwb"></pre></sup>
            <dd id="pjuwb"></dd>
            <abbr id="pjuwb"></abbr>
            亚洲福利视频在线| 亚洲一二区在线| 农夫在线精品视频免费观看| 欧美自拍偷拍| 亚洲黄色成人久久久| 亚洲精品123区| 欧美日韩国产一区二区三区| 亚洲一区二区三区精品动漫| 亚洲女人天堂av| 亚洲第一搞黄网站| 亚洲人成网站在线观看播放| 欧美午夜精品久久久久久人妖| 亚洲综合日韩| 久久亚洲欧洲| 亚洲尤物精选| 久久久久久久一区二区三区| 亚洲精品一二三| 亚洲欧美另类在线观看| 在线播放国产一区中文字幕剧情欧美| 亚洲二区在线观看| 国产欧美日韩综合一区在线播放| 免费观看成人www动漫视频| 欧美成人免费全部| 久久国产精品黑丝| 欧美激情aⅴ一区二区三区| 欧美有码在线视频| 欧美激情在线| 久久综合伊人| 国产精品久久91| 欧美大片一区二区三区| 国产精品一区在线播放| 亚洲国产精品va在看黑人| 国产精品影音先锋| 亚洲激情欧美| 狠狠综合久久| 亚洲欧美精品在线观看| 99在线精品观看| 久久久久91| 欧美一区二区精品| 欧美激情一二三区| 毛片一区二区| 国产日韩欧美一区二区三区在线观看 | 欧美激情第三页| 久久久久久婷| 国产精品入口66mio| 亚洲欧洲免费视频| 在线精品福利| 久久国产视频网| 欧美一区二区三区四区视频| 欧美精品久久久久久久久久| 男人的天堂亚洲| 国产亚洲欧美日韩精品| 亚洲欧美电影在线观看| 中国av一区| 欧美黄网免费在线观看| 欧美成人午夜剧场免费观看| 国内精品一区二区三区| 欧美一区二区精品| 久久aⅴ国产紧身牛仔裤| 欧美性事免费在线观看| 99国产精品私拍| 亚洲一级特黄| 国产精品xxxxx| 一区二区三区欧美成人| 亚洲一区二区在线| 国产精品久久久久久久久搜平片| 中文欧美日韩| 欧美一区二区三区婷婷月色| 国产精品亚洲综合天堂夜夜 | 久色成人在线| 国产综合色产在线精品| 久久精品五月婷婷| 欧美粗暴jizz性欧美20| 亚洲欧洲一区二区三区| 欧美激情精品久久久六区热门| 亚洲国产精品免费| 中国女人久久久| 国产精品毛片在线看| 先锋影音久久久| 每日更新成人在线视频| 亚洲精品日韩欧美| 欧美午夜精品理论片a级按摩| 亚洲一区二区在线播放| 久久理论片午夜琪琪电影网| 在线精品福利| 欧美日韩亚洲视频| 亚洲影院色无极综合| 久久亚洲精品一区二区| 亚洲国产小视频在线观看| 欧美日韩免费观看一区三区| 亚洲免费在线电影| 欧美激情1区2区| 中日韩美女免费视频网址在线观看| 国产精品久久久久9999吃药| 久久精品在线观看| 亚洲精品自在在线观看| 久久国产精品99国产精| 91久久在线| 国产精品网站一区| 欧美成人dvd在线视频| 亚洲一区二区三区免费在线观看| 免费成人av在线| 亚洲制服丝袜在线| 亚洲国产精品成人一区二区| 欧美色大人视频| 久色成人在线| 亚洲欧美日产图| 亚洲精品女av网站| 性欧美videos另类喷潮| 91久久线看在观草草青青| 国产女人精品视频| 欧美精品少妇一区二区三区| 欧美在线视频导航| 一区二区高清视频| 亚洲国产免费看| 快播亚洲色图| 欧美主播一区二区三区美女 久久精品人 | 久久久久一区二区| 亚洲永久字幕| 亚洲精品系列| 欧美成va人片在线观看| 久久精品夜色噜噜亚洲aⅴ| 亚洲无吗在线| 亚洲免费电影在线观看| 亚洲第一精品影视| 国产亚洲欧美日韩一区二区| 欧美午夜www高清视频| 香蕉久久夜色精品国产使用方法 | 国产日韩欧美不卡在线| 欧美精品一区视频| 久久综合五月天婷婷伊人| 亚洲欧美日本国产专区一区| 在线一区欧美| 一本久久a久久精品亚洲| 亚洲精品韩国| 亚洲三级视频| 91久久久精品| 亚洲日本成人在线观看| 亚洲国产成人精品久久| 亚洲国产精品毛片| 亚洲丶国产丶欧美一区二区三区| 蜜臀av国产精品久久久久| 久久久中精品2020中文| 久久久久久久一区| 久久久蜜桃一区二区人| 久久久国际精品| 久久先锋资源| 女同性一区二区三区人了人一| 久热re这里精品视频在线6| 免费看亚洲片| 亚洲激情视频在线| 亚洲日本欧美在线| 一本色道久久88综合日韩精品| 艳妇臀荡乳欲伦亚洲一区| 亚洲视频播放| 久久国产精品久久久| 久久久久网址| 欧美精品久久久久久久免费观看| 欧美日韩免费观看一区二区三区| 欧美午夜一区二区三区免费大片 | 欧美电影电视剧在线观看| 欧美激情 亚洲a∨综合| 国产精品大片wwwwww| 国产精品一卡二卡| 韩日欧美一区| 日韩亚洲国产精品| 欧美一级淫片播放口| 欧美jizz19性欧美| 亚洲精品欧美在线| 午夜免费电影一区在线观看| 久久亚洲视频| 欧美视频一区| 狠狠88综合久久久久综合网| 亚洲黄页一区| 欧美在线免费看| 欧美激情一区二区三区在线| 在线一区二区三区四区| 久久久久女教师免费一区| 欧美伦理91i| 国内一区二区三区| 亚洲调教视频在线观看| 久久亚洲国产精品一区二区| 亚洲精品在线观看视频| 久久久国产精品亚洲一区| 欧美日韩三区| 伊人婷婷久久| 午夜精品久久久久久久男人的天堂| 免费日韩精品中文字幕视频在线| 99国产精品自拍| 久久综合影视| 国产日韩精品视频一区| 日韩网站在线| 欧美www在线| 欧美专区在线观看| 国产精品久99| 亚洲色无码播放| 亚洲国产精品www| 久久久亚洲成人| 国产日韩欧美不卡在线| 亚洲综合日韩中文字幕v在线|