解密搜索引擎技術實戰(zhàn)：Lucene & Java精華版（第2版）

第1章 搜索引擎總體結構 1
1.1 搜索引擎基本模塊 1
1.2 開發(fā)環(huán)境 2
1.3 搜索引擎工作原理 3
1.3.1 網(wǎng)絡爬蟲 4
1.3.2 全文索引結構與LUCENE實現(xiàn) 4
1.3.3 搜索用戶界面 7
1.3.4 計算框架 8
1.3.5 文本挖掘 9
1.4 本章小結 9
第2章 網(wǎng)絡爬蟲的原理與應用 11
2.1 爬蟲的基本原理 11
2.2 爬蟲架構 14
2.2.1 基本架構 14
2.2.2 分布式爬蟲架構 16
2.2.3 垂直爬蟲架構 17
2.3 抓取網(wǎng)頁 18
2.3.1 下載網(wǎng)頁的基本方法 19
2.3.2 網(wǎng)頁更新 23
2.3.3 抓取限制應對方法 25
2.3.4 URL地址提取 28
2.3.5 抓取JAVASCRIPT動態(tài)頁面 28
2.3.6 抓取即時信息 31
2.3.7 抓取暗網(wǎng) 32
2.3.8 信息過濾 33
2.3.9 最好優(yōu)先遍歷 39
2.4 存儲URL地址 40
2.4.1 BERKELEYDB 40
2.4.2 布隆過濾器 42
2.5 并行抓取 45
2.5.1 多線程爬蟲 46
2.5.2 垂直搜索的多線程爬蟲 48
2.5.3 異步I/O 49
2.6 RSS抓取 53
2.7 抓取FTP 55
2.8 下載圖片 55
2.9 圖像的OCR識別 56
2.9.1 圖像二值化 57
2.9.2 切分圖像 60
2.9.3 SVM分類 63
2.10 WEB結構挖掘 67
2.10.1 存儲WEB圖 67
2.10.2 PAGERANK算法 71
2.10.3 HITS算法 77
2.10.4 主題相關的PAGERANK 81
2.11 部署爬蟲 83
2.12 本章小結 83
第3章 索引內容提取 86
3.1 從HTML文件中提取文本 86
3.1.1 識別網(wǎng)頁的編碼 86
3.1.2 網(wǎng)頁編碼轉換為字符串編碼 89
3.1.3 使用正則表達式提取數(shù)據(jù) 89
3.1.4 結構化信息提取 91
3.1.5 網(wǎng)頁的DOM結構 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 網(wǎng)頁去噪 105
3.1.9 網(wǎng)頁結構相似度計算 110
3.1.10 提取標題 112
3.1.11 提取日期 113
3.2 從非HTML文件中提取文本 113
3.2.1 提取標題的一般方法 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 流媒體內容提取 137
3.3.1 音頻流內容提取 138
3.3.2 視頻流內容提取 140
3.4 存儲提取內容 142
3.5 本章小結 143
第4章 中文分詞的原理與實現(xiàn) 144
4.1 LUCENE中的中文分詞 145
4.1.1 LUCENE切分原理 145
4.1.2 LUCENE中的ANALYZER 146
4.1.3 自己寫ANALYZER 148
4.1.4 LIETU中文分詞 150
4.2 查找詞典算法 151
4.2.1 標準TRIE樹 151
4.2.2 三叉TRIE樹 154
4.3 中文分詞的原理 159
4.4 中文分詞流程與結構 162
4.5 形成切分詞圖 164
4.6 概率語言模型的分詞方法 170
4.7 N元分詞方法 174
4.8 新詞發(fā)現(xiàn) 178
4.9 未登錄詞識別 180
4.10 詞性標注 181
4.10.1 隱馬爾可夫模型 184
4.10.2 基于轉換的錯誤學習方法 192
4.11 平滑算法 194
4.12 本章小結 198
第5章 讓搜索引擎理解自然語言 199
5.1 停用詞表 200
5.2 句法分析樹 201
5.3 相似度計算 205
5.4 文檔排重 209
5.4.1 語義指紋 210
5.4.2 SIMHASH 213
5.4.3 分布式文檔排重 223
5.5 中文關鍵詞提取 223
5.5.1 關鍵詞提取的基本方法 223
5.5.2 HITS算法應用于關鍵詞提取 226
5.5.3 從網(wǎng)頁中提取關鍵詞 228
5.6 相關搜索詞 228
5.6.1 挖掘相關搜索詞 229
5.6.2 使用多線程計算相關搜索詞 231
5.7 信息提取 232
5.8 拼寫檢查與建議 237
5.8.1 模糊匹配問題 240
5.8.2 英文拼寫檢查 242
5.8.3 中文拼寫檢查 244
5.9 自動摘要 247
5.9.1 自動摘要技術 247
5.9.2 自動摘要的設計 247
5.9.3 LUCENE中的動態(tài)摘要 254
5.10 文本分類 257
5.10.1 特征提取 259
5.10.2 中心向量法 262
5.10.3 樸素貝葉斯 265
5.10.4 支持向量機 272
5.10.5 規(guī)則方法 279
5.10.6 網(wǎng)頁分類 282
5.11 拼音轉換 283
5.12 概念搜索 284
5.13 多語言搜索 292
5.14 跨語言搜索 293
5.15 情感識別 295
5.15.1 確定詞語的褒貶傾向 298
5.15.2 實現(xiàn)情感識別 300
5.16 本章小結 301
第6章 LUCENE原理與應用 303
6.1 LUCENE深入介紹 304
6.1.1 常用查詢對象 304
6.1.2 查詢語法與解析 304
6.1.3 查詢原理 308
6.1.4 分析文本 309
6.1.5 使用FILTER篩選搜索結果 316
6.1.6 遍歷索引庫 317
6.1.7 索引數(shù)值列 318
6.2 LUCENE中的壓縮算法 322
6.2.1 變長壓縮 322
6.2.2 PFORDELTA 324
6.2.3 前綴壓縮 326
6.2.4 差分編碼 328
6.3 創(chuàng)建和維護索引庫 330
6.3.1 創(chuàng)建索引庫 330
6.3.2 向索引庫中添加索引文檔 331
6.3.3 刪除索引庫中的索引文檔 334
6.3.4 更新索引庫中的索引文檔 334
6.3.5 索引的合并 335
6.3.6 索引文件格式 335
6.4 查找索引庫 338
6.4.1 查詢過程 338
6.4.2 常用查詢 342
6.4.3 基本詞查詢 343
6.4.4 模糊匹配 343
6.4.5 布爾查詢 345
6.4.6 短語查詢 347
6.4.7 跨度查詢 349
6.4.8 FIELDSCOREQUERY 353
6.5 讀寫并發(fā)控制 356
6.6 檢索模型 356
6.6.1 向量空間模型 357
6.6.2 BM25概率模型 361
6.6.3 統(tǒng)計語言模型 367
6.7 本章小結 369
第7章 搜索引擎用戶界面 370
7.1 實現(xiàn)LUCENE搜索 370
7.2 實現(xiàn)搜索接口 372
7.2.1 編碼識別 372
7.2.2 布爾搜索 375
7.2.3 指定范圍搜索 375
7.2.4 搜索結果排序 376
7.2.5 搜索頁面的索引緩存與更新 377
7.3 歷史搜索詞記錄 380
7.4 實現(xiàn)關鍵詞高亮顯示 381
7.5 實現(xiàn)分類統(tǒng)計視圖 383
7.6 實現(xiàn)AJAX搜索聯(lián)想詞 388
7.6.1 估計查詢詞的文檔頻率 388
7.6.2 搜索聯(lián)想詞總體結構 389
7.6.3 服務器端處理 389
7.6.4 瀏覽器端處理 390
7.6.5 服務器端改進 395
7.6.6 拼音提示 398
7.6.7 部署總結 399
7.7 集成其他功能 399
7.7.1 拼寫檢查 399
7.7.2 分類統(tǒng)計 400
7.7.3 相關搜索 402
7.7.4 再次查找 405
7.7.5 搜索日志 405
7.8 搜索日志分析 407
7.8.1 日志信息過濾 407
7.8.2 信息統(tǒng)計 409
7.8.3 挖掘日志信息 411
7.9 本章小結 412
第8章 使用SOLR實現(xiàn)企業(yè)搜索 413
8.1 SOLR簡介 413
8.2 SOLR基本用法 414
8.2.1 SOLR服務器端的配置與中文支持 415
8.2.2 把數(shù)據(jù)放進SOLR 421
8.2.3 刪除數(shù)據(jù) 423
8.2.4 SOLR客戶端與搜索界面 424
8.2.5 SPRING實現(xiàn)的搜索界面 425
8.2.6 SOLR索引庫的查找 436
8.2.7 索引分發(fā) 440
8.2.8 SOLR搜索優(yōu)化 442
8.3 SOLR擴展與定制 445
8.3.1 SOLR中字詞混合索引 445
8.3.2 相關檢索 447
8.3.3 搜索結果去重 449
8.3.4 定制輸入輸出 453
8.3.5 分布式搜索 457
8.3.6 SOLRJ查詢分析器 458
8.3.7 擴展SOLRJ 466
8.3.8 擴展SOLR 467
8.3.9 查詢WEB圖 471
8.4 本章小結 473
第9章 地理信息系統(tǒng)案例分析 474
9.1 新聞提取 474
9.2 POI信息提取 479
9.2.1 提取主體 484
9.2.2 提取地區(qū) 485
9.2.3 指代消解 487
9.3 機器翻譯 489
9.3.1 詞對齊 490
9.3.2 翻譯公司名 491
9.3.3 調整語序 493
9.4 本章小結 494
第10章 戶外活動搜索案例分析 495
10.1 爬蟲 495
10.2 信息提取 497
10.3 活動分類 500
10.4 搜索 501
10.5 本章小結 501
參考資料 502