解密搜索引擎技术实战——Lucene&Java精华版（第3版）/罗刚等著

所属分类：
发货地：安阳
价格： ￥ 64
市场价格：
今日价格： 有特价请联系
优惠详情： 剩余数量总共数量
最近热度：
累计热度： 175
综合得分：
信誉得分：
品牌：
货号：5b961cdda9aa
立刻联系购买联系商家成华区学无涯书社
本商品由成华区学无涯书社提供，通过成华区学无涯书社完成交易，请放心购物

书名:解密搜索引擎技术实战——Lucene&Java精华版（第3版
定价:79.00
出版社名称:电子工业出版社
出版时间:2016.04
作者:罗刚等
开本:16
书名:解密搜索引擎技术实战——Lucene&Java精华版（第3版）

解密搜索引擎技术实战——Lucene&Java精华版（第3版）

作译者：罗刚等

出版时间：(咨询特价) 千字数：678

版次：(咨询特价) 页数：511

开本：16开

I S B N (咨询特价)

出版社：电子工业出版社

定价：(咨询特价)

学无涯价：(咨询特价)

有无光盘：有

内容简介

本书是猎兔搜索开发团队的软件研发和教学实践的经验汇总。本书总结搜索引擎相关理论与实际解决方案，并给出了Java实现，其中利用了流行的开源项目Lucene和Solr，而且还包括原创的实现。本书主要包括总体介绍部分、爬虫部分、自然语言处理部分、全文检索部分以及相关案例分析。爬虫部分介绍了网页遍历方法和如何实现增量抓取，并介绍了从网页等各种格式的文档中提取主要内容的方法。自然语言处理部分从统计机器学习的原理出发，包括了中文分词与词性标注的理论与实现及在搜索引擎中的应用等细节，同时对文档排重、文本分类、自动聚类、句法分析树、拼写检查等自然语言处理领域的经典问题进行了深入浅出的介绍，并总结了实现方法。在全文检索部分，结合Lucene介绍了搜索引擎的原理与进展。用简单的例子介绍了Lucene的最新应用方法，包括完整的搜索实现过程：从完成索引到搜索用户界面的实现。此外还进一步介绍了实现准实时搜索的方法，展示了Solr的用法以及实现分布式搜索服务集群的方法。最后介绍了在地理信息系统领域和户外活动搜索领域的应用。

第1章搜索引擎总体结构 1

1.1 搜索引擎基本模块 1

1.2 开发环境 2

1.3 搜索引擎工作原理 3

1.3.1 网络爬虫 4

1.3.2 全文索引结构与Lucene实现 4

1.3.3 搜索用户界面 7

1.3.4 计算框架 8

1.3.5 文本挖掘 9

1.4 本章小结 9

第2章网络爬虫的原理与应用 11

2.1 爬虫的基本原理 11

2.2 爬虫架构 14

2.2.1 基本架构 14

2.2.2 分布式爬虫架构 16

2.2.3 垂直爬虫架构 17

2.3 抓取网页 18

2.3.1 下载网页的基本方法 19

2.3.2 网页更新 23

2.3.3 抓取限制应对方法 25

2.3.4 URL地址提取 28

2.3.5 抓取JavaScript动态页面 28

2.3.6 抓取即时信息 31

2.3.7 抓取暗网 32

2.3.8 信息过滤 33

2.3.9 最好优先遍历 39

2.4 存储URL地址 40

2.4.1 BerkeleyDB 40

2.4.2 布隆过滤器 42

2.5 并行抓取 45

2.5.1 多线程爬虫 46

2.5.2 垂直搜索的多线程爬虫 48

2.5.3 异步I/O 49

2.6 RSS抓取 53

2.7 抓取FTP 55

2.8 下载图片 55

2.9 图像的OCR识别 56

2.9.1 图像二值化 57

2.9.2 切分图像 60

2.9.3 SVM分类 63

(咨询特价) Web结构挖掘 67

(咨询特价).1 存储Web图 67

(咨询特价).2 PageRank算法 71

(咨询特价).3 HITs算法 77

(咨询特价).4 主题相关的PageRank 81

(咨询特价) 部署爬虫 83

(咨询特价) 本章小结 83

第3章索引内容提取 86

3.1 从HTML文件中提取文本 86

3.1.1 识别网页的编码 86

3.1.2 网页编码转换为字符串编码 89

3.1.3 使用正则表达式提取数据 89

3.1.4 结构化信息提取 91

3.1.5 网页的DOM结构 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 网页去噪 105

3.1.9 网页结构相似度计算 110

3.1.10 提取标题 112

3.1.11 提取日期 113

3.2 从非HTML文件中提取文本 113

3.2.1 提取标题的一般方法 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 流媒体内容提取 137

3.3.1 音频流内容提取 138

3.3.2 视频流内容提取 140

3.4 存储提取内容 142

3.5 本章小结 143

第4章中文分词的原理与实现 144

4.1 Lucene中的中文分词 145

4.1.1 Lucene切分原理 145

4.1.2 Lucene中的Analyzer 146

4.1.3 自己写Analyzer 148

4.1.4 Lietu中文分词 150

4.2 查找词典算法 151

4.2.1 标准Trie树 151

4.2.2 三叉Trie树 154

4.3 中文分词的原理 159

4.4 中文分词流程与结构 162

4.5 形成切分词图 164

4.6 概率语言模型的分词方法 169

4.7 N分词方法 173

4.8 新词发现 178

4.9 未登录词识别 179

(咨询特价) 词性标注 180

(咨询特价).1 隐马尔可夫模型 183

(咨询特价).2 基于转换的错误

学习方法 191

(咨询特价) 平滑算法 193

(咨询特价) 本章小结 198

第5章让搜索引擎理解自然语言 199

5.1 停用词表 200

5.2 句法分析树 201

5.3 相似度计算 205

5.4 文档排重 209

5.4.1 语义指纹 210

5.4.2 SimHash 213

5.4.3 分布式文档排重 223

5.5 中文关键词提取 223

5.5.1 关键词提取的基本方法 223

5.5.2 HITS算法应用于

关键词提取 226

5.5.3 从网页中提取关键词 228

5.6 相关搜索词 228

5.6.1 挖掘相关搜索词 229

5.6.2 使用多线程计算

解密搜索引擎技术实战——Lucene&Java精华版（第3版）/罗刚 等著

解密搜索引擎技术实战——Lucene&Java精华版（第3版）/罗刚等著