垂直搜索引擎之简单架构

        互联网的海量数据信息，使得通用搜索引擎提供给用户的不相关信息太多，垂直搜索引擎专门针对某一类主题信息，以避免通用搜索引擎带来的“噪音”。
        垂直搜索引擎通常由四个部分组成：信息采集模块、索引模块、查询模块和UI模块组成，换句话说即爬虫、索引、查询和web界面。
一、爬虫

1、配置

        指定URL初始列表、爬取深度、抓取范围（主题相关即指定域名前缀）。

        指定并行抓取数、抓取周期

2、抓取

        从初始URL开始，广度优先遍历，结合爬取深度和主题相关过滤。

        判断URL是否已经抓取，避免重新下载相同页面。

        并行抓取URL（MultiCurl），缓存常用域名与IP对应关系，减少域名解析次数。

3、存储

        以URL为KEY存储网页内容到原始网页库（LevelDB）。

4、解析

        解析下载页面（HtmlCxx），包括标题（title）、超链接（href）、内容（文本内容最长，但要注意刨除脚本代码即标签之间,，脚本代码与文本相似，程序无法区分）。
        此外，KeyWord、字体标记（大字体、加粗）对关键字的提取也很重要。 

        需要注意页面编码问题，通过标签获取编码方式，如果编码设置错误，页面文本内容可能会是乱码。

        根据指定URL前缀来过滤超链接，剩下的再去重后添加URL到等待下载队列，保证爬虫的资源自我发现能力。  
        需要注意相对URL链接问题。

二、索引       

1、词库

        手工建词库+基于词频统计更新词库。
        一级词库用于词库管理，二级词库真正用于分词。

2、分词

        分词采用词库分词和统计分词相结合，词库分词的优点在于切分速度快、效率高，统计分词的优点在于收录新词（未登录词）。

        （1）词库分词

        分词算法采用正向最大匹配算法，即以词库为基准，从前往后正向扫描标题或者正文字符串，对扫描的每个词，从词库中寻找最长匹配。

        假设S=C1C2C3C4，最大正向匹配算法描述如下：

        （A）取一个字C1，在词库中查找C1并保存是否成词标记

        （B）再取字C2，判断词库中是否有以C1C2为前缀的词

        （C）不存在，则C1为单词，一次分词结束

        （D）存在，判断C1C2是否为词，并取以C1C2为首的多个词的个数n

        （E）如果n为0则一次分词结束

        （F）否则再取一字，判断词库中是否有以C1C2C3为前缀的词

        （G）若不存在，则返回最近一次能够成词的C1C2

        （H）否则转向6

        （I）从字C3开始下一次分词

        假设标题为“我是中华人民共和国公民”，词库中有“中华人民共和国”、“中华”、“人民”、“共和国”、“公民”等词，则当扫描到“中”字，就从“中”字开始向后分别取1、2、3……8个字(“中”、“中华”、“中华人”、“中华人民”、“中华人民共”、“中华人民共和”、“中华人民共和国”、“中华人民共和国公”)，词表中的最长匹配字符串就是“中华人民共和国”,那么就此切分开，扫描器推进到“公”字，进行下一轮分词。

        （2）统计分词

        通常词是稳定的字的组合，根据n元语法，字与字相邻同时出现的频率或概率能够较好的反映成词的可信度，即频率越多就越可能是固定的词，简单的例子是统计两个字之间相邻的频率，频率大于某个阈值就认为这两个字组成了一个新词。
        需要注意的是：这、的、啊之类的词，以滤掉对搜索无用的词组。

3、打分

        对文档重要性打分用于检索时排序。

        PageRank和HITS。

4、倒排

        以Value为Key，检索URL为倒排。

        注：以URL为Key，以分词得到的多个关键字为Value，建立的索引为正排索引。

三、检索

1、查询

        根据关键词检索文档索引库。

        对返回的文档去重。

        根据文档打分结果进行排序。

        反馈排序后结果给用户。

2、反馈

        根据排序后结果渲染反馈：

        （1）展现反馈

        对整个结果展现反馈一次，参数包括QueryID、PvTime、KeyWord。

        （2）点击反馈

        搜索结果每次点击记录一次，参数包括QueryID、PvTime、KeyWord、DestinationURL。

四、WebUI

1、搜索框

        输入搜索词，提示相关词汇。

2、结果集

        分页显示、搜索时长、相关结果集总数。

        Table显示每个分页的结果集。

        结果记录由标题、链接、摘要、快照组成。
        高亮显示关键词。

3、相关搜索

        相关词汇推荐。