站内搜索初级优化gt..概述：顾名思义

　　站内搜索初级优化gt..概述：顾名思义

　　现场搜索一级优化

　　php1>。概述：

　　顾名思义，站点搜索引擎是网站中的信息搜索引擎。随着互联网的发展，网站已成为企业或机构最重要的公共形象门户。每天，大量潜在客户，合作伙伴，投资者，分析师等都会登录到公司网站，而给他们带来的感受网站将直接影响他们对公司的评估。根据IDC的调查：当用户登录网站时，如果一开始无法快速检索到他所需的信息，则50％的用户将立即离开此网站，而其中60％的用户将不再赞助此网站，这意味着该公司将永远失去其30％的潜在客户。

　　当然，我还没有验证上述数据的准确性，但是可以看出，网站上显示的搜索结果质量的准确性对用户体验非常重要。

　　注意：以下搜索引擎专门针对网站内的搜索

　　php2>。自我培养的搜索引擎：

　　除了醒目的美观的搜索框外，出色的站点搜索还可以快速，准确地提供用户检索到的结果。此外，还有一些其他功能可以改善用户体验：

　　1.自动提示：不仅可以减少错误的输入，还可以帮助我们推荐产品和产品类别；

　　2.自动纠错：与“无搜索结果”相比，结果的显示将始终减少跳出访客的数量。但这是一把双刃剑。如果推荐单词的质量太低，搜索将显得不专业；

　　3.相关搜索：基于同义词的内容推荐可以为访问者提供一些出乎意料的搜索提示，增加覆盖范围，并增加用户点击次数。

　　4.过滤结果或搜索结果：为用户提供更精确的搜索体验；

　　5.排序方法：如果搜索具有多个属性，例如下载次数，点击次数或表单站点的等级，这将使用户可以将注意力集中在顶部。

　　6.高级搜索.....

　　此处未列出

　　php3>。搜索引擎的核心技术：

　　其中涉及的技术有：分词技术（幸运的是，我们不使用中文网站），页面爬网分析（全文搜索），索引，搜索匹配和排序算法，搜索关键词统计信息，关联和建议。

　　php4>。站点搜索的常用方法：

　　使用大型商业搜索引擎提供的界面：

　　例如，谷歌，雅虎，国内百度API

　　优点：简单，无麻烦，申请帐户，使用API​​；

　　缺点：1.无法理解特定的搜索顺序机制，无法控制显示的结果，并且不利于调整；

　　2.免费版收录影响体验的广告。

　　自己实施：

　　2. 1)类似于SQL的查询：

　　代码实现相对简单，需要完全匹配搜索字符串，否则搜索不会产生结果，多关键字搜索结果的显示效果不佳；

　　2. 2)基于分词的搜索：

　　有一些开源项目：Java中著名的Lucene享有很高的声誉，还有许多基于它的其他项目，它们可以支持具有大量数据的项目，并且速度是非常快。 Java项目也可以在项目中学习和集成，因为它是用Java编写的，并且Form Station需要在早期嵌入，所以我只能无奈地放弃我的爱；

　　review的第二个开源项目是用C ++编写的Sphinx，它相对主流，速度快，索引大，并且搜索准确性不如Lecence。我尝试了其编译的exe文件。速度确实快。我听说它搜索数十亿个数据级别的时间也处于毫秒级别，而索引时间处于小时级别，以后可以考虑；

　　但是它们都有一个问题，那就是它们很棒，但是项目相对较大，并且接口被封装以供我们调用。我们需要修改内部算法。可能还有更多代码需要跟踪。考虑到时间因素，我们选择了一个轻量级搜索框架sphider，整个项目的代码大小小于300K，估计为10,000行，并且基于mysql和php。看完之后，它简直很高。这是我们需要找到的，在跟踪其代码之后，您可以大致了解搜索引擎的工作原理。我们在下面显示的搜索是要移植和调整其搜索功能：

　　步骤1>

　　获取源数据：如果要检索网页的内容，我们需要构建一个采集器以对需要检索的网页内容进行爬网，并将其存储在数据库中，但我们的pdf-to- html实际上不是很规则，并且搜索的大多数关键词都是猫名或职位名，因此我们省略了此步骤，直接将数据库中的字段作为元数据；

　　步骤2>

　　分词，提取关键词，建立索引，代码，请参见：SearchindexController.class.php

　　1）新增的数据表：关键字表，keyword_post多张工作表，keyword_cat多张工作表

　　2）接口：indexallpost（），indexallcat（）

　　注意：分词速度很慢。后来，我跳出了thinkphp框架，并使用纯SQL编写了一个加速版本。索引400,000个数据大约需要4-5分钟。当然，与aphinx等相比还是有很大的差距，还有机会再次发布

　　代码逻辑：

　　-> indexPost（）和indexCat（）：获取数据源内容

　　-> unique_word_array（）：根据多个规则（分隔符，忽略单词，提取词干）对每条数据进行分段

　　->计算权重（因为描述等是自动生成的，没有意义，因此权重只是关键字在数据源中出现的次数的简单计算）

　　-> save_post_keywords（）：插入数据库的关键字表，（仅关键字一）

　　-> save_post_keywords（）：然后插入多个关系表（delete_post_keywords_relation（）：提前删除关系表中的发布数据，多个表的存在可以减轻单个表的压力）

　　至此，分词已完成！

<p>