这就是搜索引擎：核心技术详解

编辑推荐

《这就是搜索引擎：核心技术详解》适合所有对搜索引擎技术感兴趣的人们，尤其对于相关领域的学生、对搜索引擎核心技术感到好奇的技术人员、从事搜索引擎优化的相关人员及中小网站站长等更有参考价值。

本书作者其他著作《大数据日知录：架构与算法》

内容简介

搜索引擎作为互联网发展中至关重要的一种应用，已经成为互联网各个领域的制高点，其重要性不言而喻。搜索引擎领域也是互联网应用中不多见的以核心技术作为其命脉的领域，搜索引擎各个子系统是如何设计的？这成为广大技术人员和搜索引擎优化人员密切关注的内容。
《这就是搜索引擎：核心技术详解》的特点是内容新颖全面而又通俗易懂。对于实际搜索引擎所涉及的各种核心技术都有全面细致的介绍，除了作为搜索系统核心的网络爬虫、索引系统、排序系统、链接分析及用户分析外，还包括网页反作弊、缓存管理、网页去重技术等实际搜索引擎必须关注的技术，同时用相当大的篇幅讲解了云计算与云存储的核心技术原理。另外，本书也密切关注搜索引擎发展的前沿技术：Google的咖啡因系统及Megastore等云计算新技术、百度的暗网抓取技术阿拉丁计划、内容农场作弊、机器学习排序等。诸多新技术在相关章节都有详细讲解，同时对于社会化搜索、实时搜索及情境搜索等搜索引擎的未来发展方向做了技术展望。为了增进读者的理解，全书大量引入形象的图片来讲解算法原理，相信读者会发现原来搜索引擎的核心技术理解起来比原先想象的要简单得多。

作者简介

张俊林，是技术书籍《这就是搜索引擎:核心技术详解》的作者，目前担任畅捷通智能平台总监。在此之前，张俊林曾经在阿里巴巴、百度商务搜索部凤巢广告平台以及新浪微博搜索部及数据系统部担任资深技术专家，新浪微博技术委员会成员，负责算法策略方向。张俊林还曾是智能信息聚合网站“玩聚网”的联合创始人之一。他的研发兴趣集中在：搜索技术、推荐系统、社交挖掘、自然语言处理与大数据算法架构等方面，并在以上领域有多年工业界实践经验。张俊林本科毕业于天津大学管理学院，1999年至2004年在中科院软件所直接攻读博士学位，研究方向是信息检索理论与自然语言处理，就学期间曾在ACL/COLING/IJCNLP等国际顶级会议发表多篇学术论文，另外，他在此期间领导设计的搜索系统曾在美国国防部DARPA主持的TREC第二届高精度检索系统评测中在17只国际高水平研究团队激烈竞争中胜出并取得综合排名第一名的优异成绩。

目录

第1章　搜索引擎及其技术架构
1.1　搜索引擎为何重要
1.1.1　互联网的发展
1.1.2　商业搜索引擎公司的发展
1.1.3　搜索引擎的重要地位
1.2　搜索引擎技术发展史
1.2.1　史前时代：分类目录的一代
1.2.2　第一代：文本检索的一代
1.2.3　第二代：链接分析的一代
1.2.4　第三代：用户中心的一代
1.3　搜索引擎的3个目标
1.4　搜索引擎的3个核心问题
1.4.1　3个核心问题
1.4.2　与技术发展的关系
1.5　搜索引擎的技术架构
第2章　网络爬虫
2.1　通用爬虫框架
2.2　优秀爬虫的特性
2.3　爬虫质量的评价标准
2.4　抓取策略
2.4.1　宽度优先遍历策略（Breath　First）
2.4.2　非完全PageRank策略（Partial　PageRank）
2.4.3　OCIP策略（Online　Page　Importance　Computation）
2.4.4　大站优先策略（Larger　Sites　First）
2.5　网页更新策略
2.5.1　历史参考策略
2.5.2　用户体验策略
2.5.3　聚类抽样策略
2.6　暗网抓取（Deep　Web　Crawling）
2.6.1　查询组合问题
2.6.2　文本框填写问题
2.7　分布式爬虫
2.7.1　主从式分布爬虫（Master-Slave）
2.7.2　对等式分布爬虫（Peer　to　Peer）
本章提要
本章参考文献
第3章　搜索引擎索引
3.1　索引基础
3.1.1　单词—文档矩阵
3.1.2　倒排索引基本概念
3.1.3　倒排索引简单实例
3.2　单词词典
3.2.1　哈希加链表
3.2.2　树形结构
3.3　倒排列表（Posting　List）
3.4　建立索引
3.4.1　两遍文档遍历法（2-Pass　In-Memory　Inversion）
3.4.2　排序法（Sort-based　Inversion）
3.4.3　归并法（Merge-based　Inversion）
3.5　动态索引
3.6　索引更新策略
3.6.1　完全重建策略（Complete　Re-Build）
3.6.2　再合并策略（Re-Merge）
3.6.3　原地更新策略（In-Place）
3.6.4　混合策略（Hybrid）
3.7　查询处理
3.7.1　一次一文档（Doc　at　a　Time）
3.7.2　一次一单词（Term　at　a　Time）
3.7.3　跳跃指针（Skip　Pointers）
3.8　多字段索引
3.8.1　多索引方式
3.8.2　倒排列表方式
3.8.3　扩展列表方式（Extent　List）
3.9　短语查询
3.9.1　位置信息索引（Position　Index）
3.9.2　双词索引（Nextword　Index）
3.9.3　短语索引（Phrase　Index）
3.9.4　混合方法
3.10　分布式索引（Parallel　Indexing）
3.10.1　按文档划分（Document　Partitioning）
3.10.2　按单词划分（Term　Partitioning）
3.10.3　两种方案的比较
本章提要
本章参考文献
第4章　索引压缩
4.1　词典压缩
4.2　倒排列表压缩算法
4.2.1　评价索引压缩算法的指标
4.2.2　一元编码与二进制编码
4.2.3　Elias　Gamma算法与Elias　Delta算法
4.2.4　Golomb算法与Rice算法
4.2.5　变长字节算法（Variable　Byte）
4.2.6　SimpleX　系列算法
4.2.7　PForDelta算法
4.3　文档编号重排序（DocID　Reordering）
4.4　静态索引裁剪（Static　Index　Pruning）
4.4.1　以单词为中心的索引裁剪
4.4.2　以文档为中心的索引裁剪
本章提要
本章参考文献
第5章　检索模型与搜索排序
5.1　布尔模型（Boolean　Model）
5.2　向量空间模型（Vector　Space　Model）
5.2.1　文档表示
5.2.2　相似性计算
5.2.3　特征权重计算
5.3　概率检索模型
5.3.1　概率排序原理
5.3.2　二元独立模型（Binary　Independent　Model）
5.3.3　BM25模型
5.3.4　BM25F模型
5.4　语言模型方法
5.5　机器学习排序（Learning　to　Rank）
5.5.1　机器学习排序的基本思路
5.5.2　单文档方法（PointWise　Approach）
5.5.3　文档对方法（PairWise　Approach）
5.5.4　文档列表方法（ListWise　Approach）
5.6　检索质量评价标准
5.6.1　精确率与召回率
5.6.2　P @ 10指标
5.6.3　MAP指标（Mean　Average　Precision）
本章提要
本章参考文献
第6章　链接分析
6.1　Web图
6.2　两个概念模型及算法之间的关系
6.2.1　随机游走模型（Random　Surfer　Model）
6.2.2　子集传播模型
6.2.3　链接分析算法之间的关系
6.3　PageRank算法
6.3.1　从入链数量到PageRank
6.3.2　PageRank计算
6.3.3　链接陷阱（Link　Sink）与远程跳转（Teleporting）
6.4　HITS算法（Hypertext　Induced　Topic　Selection）
6.4.1　Hub页面与Authority页面
6.4.2　相互增强关系
6.4.3　HITS算法
6.4.4　HITS算法存在的问题
6.4.5　HITS算法与PageRank算法比较
6.5　SALSA算法
6.5.1　确定计算对象集合
6.5.2　链接关系传播
6.5.3　Authority权值计算
6.6　主题敏感PageRank（Topic　Sensitive　PageRank）
6.6.1　主题敏感PageRank与PageRank的差异
6.6.2　主题敏感PageRank计算流程
6.6.3　利用主题敏感PageRank构造个性化搜索
6.7　Hilltop算法
6.7.1　Hilltop算法的一些基本定义
6.7.2　Hilltop算法
6.8　其他改进算法
6.8.1　智能游走模型（Intelligent　Surfer　Model）
6.8.2　偏置游走模型（Biased　Surfer　Model）
6.8.3　PHITS算法（Probability　Analogy　of　HITS）
6.8.4　BFS算法（Backward　Forward　Step）
本章提要
本章参考文献
第7章　云存储与云计算
7.1　云存储与云计算概述
7.1.1　基本假设
7.1.2　理论基础
7.1.3　数据模型
7.1.4　基本问题
7.1.5　Google的云存储与云计算架构
7.2　Google文件系统（GFS）
7.2.1　GFS设计原则
7.2.2　GFS整体架构
7.2.3　GFS主控服务器
7.2.4　系统交互行为
7.3　Chubby锁服务
7.4　BigTable
7.4.1　BigTable的数据模型
7.4.2　BigTable整体结构
7.4.3　BigTable的管理数据
7.4.4　主控服务器（Master　Server）
7.4.5　子表服务器（Tablet　Server）
7.5　Megastore系统
7.5.1　实体群组切分
7.5.2　数据模型
7.5.3　数据读写与备份
7.6　Map/Reduce云计算模型
7.6.1　计算模型
7.6.2　整体逻辑流程
7.6.3　应用示例
7.7　咖啡因系统——Percolator
7.7.1　事务支持
7.7.2　观察/通知体系结构
7.8　Pregel图计算模型
7.9　Dynomo云存储系统
7.9.1　数据划分算法（Partitioning　Algorithm）
7.9.2　数据备份（Replication）
7.9.3　数据读写
7.9.4　数据版本控制
7.10　PNUTS云存储系统
7.10.1　PNUTS整体架构
7.10.2　存储单元
7.10.3　子表控制器与数据路由器
7.10.4　雅虎消息代理
7.10.5　数据一致性
7.11　HayStack存储系统
7.11.1　HayStack整体架构
7.11.2　目录服务
7.11.3　HayStack缓存
7.11.4　HayStack存储系统
本章提要
本章参考文献
第8章　网页反作弊
8.1　内容作弊
8.1.1　常见内容作弊手段
8.1.2　内容农场（Content　Farm）
8.2　链接作弊
8.3　页面隐藏作弊
8.4　Web　2.0作弊方法
8.5　反作弊技术的整体思路
8.5.1　信任传播模型
8.5.2　不信任传播模型
8.5.3　异常发现模型
8.6　通用链接反作弊方法
8.6.1　TrustRank算法
8.6.2　BadRank算法
8.6.3　SpamRank
8.7　专用链接反作弊技术
8.7.1　识别链接农场
8.7.2　识别Google轰炸
8.8　识别内容作弊
8.9　反隐藏作弊
8.9.1　识别页面隐藏
8.9.2　识别网页重定向
8.10　搜索引擎反作弊综合框架
本章提要
本章参考文献
第9章　用户查询意图分析
9.1　搜索行为及其意图
9.1.1　用户搜索行为
9.1.2　用户搜索意图分类
9.2　搜索日志挖掘
9.2.1　查询会话（Query　Session）
9.2.2　点击图（Click　Graph）
9.2.3　查询图（Query　Graph）
9.3　相关搜索
9.3.1　基于查询会话的方法
9.3.2　基于点击图的方法
9.4　查询纠错
9.4.1　编辑距离（Edit　Distance）
9.4.2　噪声信道模型（Noise　Channel　Model）
本章提要
本章参考文献
第10章　网页去重
10.1　通用去重算法框架
10.2　Shingling算法
10.3　I-Match算法
10.4　SimHash算法
10.4.1　文档指纹计算
10.4.2　相似文档查找
10.5　SpotSig算法
10.5.1　特征抽取
10.5.2　相似文档查找
本章提要
本章参考文献
第11章　搜索引擎缓存机制
11.1　搜索引擎缓存系统架构
11.2　缓存对象
11.3　缓存结构
11.4　缓存淘汰策略（Evict　Policy）
11.4.1　动态策略
11.4.2　混合策略
11.5　缓存更新策略（Refresh　Policy）
本章提要
本章参考文献
第12章　搜索引擎发展趋势
12.1　个性化搜索
12.2　社会化搜索
12.3　实时搜索
12.4　移动搜索
12.5　地理位置感知搜索
12.6　跨语言搜索
12.7　多媒体搜索
12.8　情境搜索

前言

互联网产品形形色色，有产品导向的，有营销导向的，也有技术导向的，但是以技术见长的互联网产品比例相对小些。搜索引擎是目前互联网产品中有技术含量的产品，如果不是唯一，至少也是其中之一。
经过十几年的发展，搜索引擎已经成为互联网的重要入口之一，Twitter联合创始人埃文威廉姆斯提出了“域名已死论”：好记的域名不再重要，因为人们会通过搜索进入网站。搜索引擎排名对于中小网站流量来说至关重要。了解搜索引擎简单界面背后的技术原理其实对很多人都很重要。

为什么会有这本书
最初写本搜索引擎技术书籍的想法萌生于两年前，当时的场景是要给团队成员做搜索技术培训，但是我找遍了相关图书，却没有发现非常合适的搜索技术入门书籍。当时市面上的书籍，要么是信息检索理论方面的专著，理论性太强不易懂，而且真正讲搜索引擎技术的章节并不太多；要么是Lucene代码分析这种过于实务的书籍，像搜索引擎这种充满算法的应用，直接分析开源系统代码并不是非常高效的学习方式。所以当时萌生了写一本既通俗易懂，适合没有相关技术背景的人员阅读，又比较全面，且融入新技术的搜索引擎书籍，但是真正动手开始写是一年前的事情了。
写书前我给自己定了几个目标。首先内容要全面，即全面覆盖搜索引擎相关技术的主要方面，不仅要包含倒排索引、检索模型和爬虫等常见内容，也要详细讲解链接分析、网页反作弊、用户搜索意图分析、云存储及网页去重，甚至是搜索引擎缓存等内容，这些都是一个完整搜索引擎的有机构成部分，但是详述其原理的书籍并不多，我希望能够尽可能全面些。
第二个目标是通俗易懂。我希望没有任何相关技术背景的人也能够通过阅读这本书有所收获，不懂技术的同学也能大致看懂。这个目标看似简单，其实很不容易达到，我也不敢说这本书已经达到了此目的，但是确实已经尽自己所能去做了。至于具体的措施，则包含以下三个方面。
一个是尽可能减少数学公式的出现次数，除非不得已不罗列公式。虽说数学公式具简洁之美，但是大多数人其实对于数学符号是有恐惧和逃避心理的，多年前我也有类似心理，所以但凡可能，尽量不用数学公式。
一个是尽可能多举例子，尤其是一些比较难理解的地方，需要例子来增进理解。
还有一个是多画图。就我个人的经验来说，尽管算法或者技术是很抽象的，但是如果深入理解其原理，去繁就简，那么一定可以把算法转换成形象的图片。如果不能在头脑中形成算法直观的图形表示，说明并未透彻了解其原理。这是我判断自己是否深入理解算法的一个私有标准。鉴于此，本书中在讲解算法的地方，大量采用了算法原理图，全书包含了超过300幅算法原理讲解图，相信这对于读者深入理解算法会有很大的帮助。
第三个目标是强调新现象新技术，比如Google的咖啡因系统及Megastore等云存储系统、Pregel云图计算模型、暗网爬取技术、Web 2.0网页作弊、机器学习排序、情境搜索、社会化搜索等在相关章节都有讲解。
第四个目标是强调原理，不纠缠技术细节。对于新手一个易犯的毛病是喜欢抠细节，只见树木不见森林，搞明白了一个公式却不了解其背后的基本思想和出发点。我接触技术人员很多，十有七八会有这个特点。这里有个“道术孰优”的问题，何为“道”？何为“术”？举个例子的话，《孙子兵法》是道，而《三十六计》则为术。“道”所述，是宏观的、原理性的、长久不变的基本原理，而“术”则是在遵循基本原理基础上的具体手段和措施，具有易变性。技术也是如此，算法本身的细节是“术”，算法体现的基本思想则是“道”，知“道”而学“术”，两者虽不可偏废，但是若要选择优先级的话，无疑我会选择先“道”后“术”。

以上四点是写书前定下的目标，现在书写完了，也许很多地方不能达到最初的期望，但是尽了力就好。写书的过程很辛苦，起码比我原先想象得要辛苦，因为工作繁忙，所以只能每天早早起床，再加上周末及节假日的时间来完成。也许书中还存在这样那样的缺点，但是我可以无愧地说写这本书是有诚意的。

这本书是写给谁的
如果您是下列人员之一，那么本书就是写给您的。
1.对搜索引擎核心算法有兴趣的技术人员
搜索引擎的整体框架是怎样的？包含哪些核心技术？
网络爬虫的基本架构是什么？常见的爬取策略是什么？什么是暗网爬取？如何构建分布式爬虫？百度的阿拉丁计划是什么？
什么是倒排索引？如何对倒排索引进行数据压缩？
搜索引擎如何对搜索结果排序?
什么是向量空间模型？什么是概率模型？什么是BM25模型？什么是机器学习排序？它们之间有何异同？
PageRank和HITS算法是什么关系？有何异同？SALSA算法是什么？Hilltop算法又是什么？各种链接分析算法之间是什么关系？
如何识别搜索用户的真实搜索意图？用户搜索目的可以分为几类？什么是点击图？什么是查询会话？相关搜索是如何做到的？
为什么要对网页进行去重处理？如何对网页进行去重？哪种算法效果较好？
搜索引擎缓存有几级结构？核心策略是什么？
什么是情境搜索？什么是社会化搜索？什么是实时搜索？
搜索引擎有哪些发展趋势？
如果您对三个以上的问题感兴趣，那么这本书就是为您而写的。
2.对云计算与云存储有兴趣的技术人员
什么是CAP原理？什么是ACID原理？它们之间有什么异同？
Google的整套云计算框架包含哪些技术？Hadoop系列和Google的云计算框架是什么关系？
Google的三驾马车GFS、BigTable、MapReduce各自代表什么含义？是什么关系？
Google的咖啡因系统的基本原理是什么？
Google的Pregel计算模型和MapReduce计算模型有什么区别？
Google的Megastore云存储系统和BigTable是什么关系？
亚马逊公司的Dynamo系统是什么？
雅虎公司的PNUTS系统是什么？
Facebook公司的Haystack存储系统适合应用在什么场合？
如果您对上述问题感兴趣，相信可以从书中找到答案。
3.从事搜索引擎优化的网络营销人员及中小网站站长
搜索引擎的反作弊策略是怎样的？如何进行优化避免被认为是作弊？
搜索引擎如何对搜索结果排序？链接分析和内容排序是什么关系?
什么是内容农场？什么是链接农场？它们是什么关系？
什么是Web 2.0作弊？有哪些常见手法？
什么是SpamRank?什么是TrustRank?什么又是BadRank？它们是什么关系？
咖啡因系统对网页排名有何影响？
最近有一批电子商务网站针对搜索引擎优化，结果被Google认为是黑帽SEO而导致搜索排名降权，如何避免这种情况？从事相关行业的营销人员和网站站长应该深入了解搜索引擎反作弊的基本策略和方法，甚至是网页排名算法等搜索引擎核心技术。SEO技术说到底其实很简单，虽然不断发生变化，但是很多原理性的策略总是相似的，万变不离其宗，深入了解搜索引擎相关技术原理将形成您的行业竞争优势。
4.作者自己
我的记性不太好，往往一段时间内了解的技术，时隔几年后就很模糊了，所以这本书也是为我自己写的，以作为技术备查手册。沈利也参与了本书的部分编写工作。

致谢
感谢博文视点的付睿编辑，没有她也就没有本书的面世，付编辑在阅稿过程中提出的细致入微的改进点对我帮助甚大。
特别感谢我的妻子，在近一年的写作过程中，我几乎把能用的所有业余时间都投入在本书的写作上，她为了不让我分心，承担了所有的家务，不介意没有时间陪她，这本书的诞生且算是送她的一个礼物吧。
于我而言，这本书的写作是一个辛苦而欣喜的过程，有如旅人远行，涉水跋山之际抬头远眺，总能看到曾经忽略的旖旎丽景，若您在阅读本书的过程中也能有此体会，那就是我的荣幸了。
张俊林
2011年6月

获取正版《这就是搜索引擎：核心技术详解》直达购买