由浅到深,入门搜索原理

ElasticSearch原理+实战知识点 今天为大家带来流计算领域经常使用的组件 ElasticSearch,本文通过原理+实战操 教程带领大家快速学会 ElasticSearch 搜索引擎,以下内容全部经过实战操作,可 以根据文档进行学习~ 大纲如下: 1 ElasticSearch 概述 1.1 全文搜索引擎 小伙伴们经常使用 google 或者百度进行搜索内容,在输入框中输入关键字,这个时候,网站会将包含 关键字 的所有网页返回,大家有没有想过,为什么输入关键字就可以查到结果呢? 同时网站上返回的页面内容大多都是一些 非结构化 的文本数据, 阅读详情

SkrShop电商搜索业务第2篇(第一阶段全2篇) 🎉🎉🎉~ 

0d84d88322c39afeb4d40186b1e56b55.png

本文均以开源搜索引擎ES(Elasticsearch)为例,下文简称ES。

SkrShop系列终于更新了,本次带来电商搜索页面的介绍,本电商搜索系列分为两篇文章:

首先,本篇文章对于初次接触的同学来讲,涉及的概念会比较多,主要如下

搜索名词概念描述
文档(Doc)?
词条(Term)?
倒排索引(Inverted Index)?
关键字(Query)?
召回(Recall)?
词频(tf:Term Frequency)?
逆文档率(idf:Inverse Document Frequency)?
粗排?
精排?

本篇文章由简到繁入门搜索原理,并逐步揭开上面这些概念的面纱。本文结构如下:

  • 搜索引擎ES的诞生

  • 简易版搜索过程

    • 索引过程

    • 查询过程

  • 进阶版搜索过程

    • 索引过程

      • 什么是文档(Doc)

      • 什么是词条(Term)

      • 什么是倒排索引(Inverted Index)

      • 文档(Doc)分析

        • 字符过滤器

        • 分词器

        • 分词过滤器

      • 创建倒排索引

    • 查询过程

      • 关键字(Query)分析

        • 字符过滤器

        • 分词器

        • 分词过滤器

      • 召回(Recall)

        • 什么是召回(Recall)

      • 排序

        • 什么是词频(tf:Term Frequency)

        • 什么是逆文档率(idf:Inverse Document Frequency)

        • 粗排/精排

    • 搜索过程总结

  • 搜索引擎ES进阶

    • 索引(名词)的基本结构

    • 搜索引擎ES的逻辑结构

搜索引擎ES的诞生


ES诞生于一个开源的JAVA库Lucene。通过Lucene官网的描述我们可以发现Lucene具备如下能力:

  • Lucene是一个JAVA库

  • Lucene实现了拼写检查

  • Lucene实现了命中字符高亮

  • Lucene实现了分析、分词功能

Lucene不具备的能力:

  • 分布式

  • 高可用

  • 开箱即用

  • 等等

9fe6276be86a07befbb5fdc4fd8a7523.png

所以多年之前名叫Shay Banon的开发者,通过Lucene实现了一个高可用的开源分布式搜索引擎Elasticsearch。

1da7f8b90c6be5d5aace8b73be80df5b.png

常见的搜索功能都是基于「搜索引擎」实现的,接着我们来看看简易版搜索过程。

简易版搜索过程


简易版搜索过程如下:

  • 第①步:索引过程,需要被搜索的源数据被索引(动词)到搜索引擎中,并建立索引(名词)。

  • 第②步:查询过程,用户输入关键字(Query),搜索引擎分析Query并返回查询结果。

‍

18932097efe8b851d1f5047b61fc6d1a.png

‍p‍

‍

进阶版搜索过程


索引过程

a5ba6c732fa65e8c9b89f4642f45bd31.png

什么是文档(Doc)

举个栗子,比如《电商设计手册 | SkrShop》网页内容需要被搜索到,那这页网页的全部内容就称之为一个文档Doc。

c74f61b4d5c0b836d36a9f5a09bc6332.png

文档Doc内容如下:


 
<!DOCTYPE html>
<html lang="en">
<head>
<meta charset="UTF-8">
<title>电商设计手册 | SkrShop</title>
<meta http-equiv="X-UA-Compatible" content="IE=edge,chrome=1" />
<meta name="description" content="应该是最全、最细致、最落地的电商系统设计手册">
<!-- 省略...... -->
<p>秒杀是电商的一种营销手段</p>
<!-- 省略...... -->
搜索名词概念描述
文档(doc)需要被搜索的文本内容,可以是某个商品详细信息、某个网页信息等等文本。
什么是词条(Term)

继续以上文的文档Doc为例。为了简化对词条(Term)的理解,把上述文档Doc的内容简化为一句话秒杀是电商的一种营销手段。

词条(Term)就是文档Doc经过分词处理得到的词条结果集合。比如秒杀是电商的一种营销手段被中文分词之后得到:


 
秒杀 / 是 / 电商 / 的 / 一种 / 营销 / 手段

秒杀、是、电商、的、一种、营销、手段分别称之为词条(Term),该集合称之为Terms。

表格左右滑动查看

搜索名词概念描述
词条(Term)被搜索的文本Doc被分词器拆解成N个标准的语句。
什么是倒排索引(Inverted Index)

「倒排索引」是索引(动词)源数据时,创建的索引(名词)的具体实现。

我们以如下文档(Doc)为例,解释倒排索引:

表格左右滑动查看

文档ID文档内容(Doc)
1电商设计手册SkrShop
2秒杀是电商的一种营销手段
3购物车是电商购买流程最重要的一步

分词器:文档(Doc)拆解为多个独立词条(Doc -> Terms)。

开源中文分词器:

  • IK Analyzer

  • jieba

  • 等

以jieba分词器在线演示为例:https://app.gumble.pw/jiebademo/

表格左右滑动查看

文档ID文档内容(Doc)中文分词结果(Terms)
1电商设计手册SkrShop电商 / 设计 / 手册 / SkrShop
2秒杀是电商的一种营销手段秒杀 / 是 / 电商 / 的 / 一种 / 营销 / 手段
3购物车是电商购买流程最重要的一步购物车 / 是 / 电商 / 购买 / 流程 / 最 / 重要 / 的 / 一步

每个词条对应的文档ID如下:

表格左右滑动查看

词条文档IDs
电商1、2、3
设计1
手册1
SkrShop1
秒杀2
是2、3
的2、3
一种2
营销2
手段2
购物车3
购买3
流程3
最3
重要3
一步3

以上就是建立倒排索引的基本过程。

完成倒排索引建立之后,模拟搜索过程,假设:

  • 搜索电商,能快速找到文档1、2、3

  • 搜索营销,能快速找到文档2

(这个过程叫做「召回」)

以上就是「倒排索引」的概念。

表格左右滑动查看

搜索名词概念描述
倒排索引(Inverted Index)索引(动词)源数据时,创建的索引(名词)的具体实现。
文档(Doc)分析

分析就是标准化文档(Doc)文本的过程,以及把文档(Doc)转换成标准化词条(Term)的过程。搜索引擎ES分析过程的实现依赖于分析器。

分析器基本组成:

  • 字符过滤器

  • 分词器

  • 分词过滤器

74918dbcabc35503c593083a817d1691.png

字符过滤器

一个分析器对应一个字符过滤器。

格式化为标准文本(text -> standard text),例如去掉文本中的html标签。

803ce0081f50d2b78b87ae57ab84010c.png

比如<p>电商设计手册SkrShop</p>--->电商设计手册SkrShop

分词器

一个分析器对应一个分词器。

文档(Doc)拆解为多个独立词条(doc -> terms)的过程。举个例子:比如电商设计手册SkrShop--->电商 / 设计 / 手册 / SkrShop

这里还需要提到的是自定义词库:原始词库不具备的词汇,比如最近新产生的网络词汇。

b81252865ab258a8631c3e8e6f7f7620.png

分词过滤器

一个分析器对应N个分词过滤器。

  • 统一转小写

  • 近义词转换

  • 停用词

  • 提取词干

  • 纠错

  • 自动补全

  • 等等...

e40e81cea5fc686c03c4810d6175f460.png

表格左右滑动查看

分词过滤器示例
统一转小写适用于英文等。比如统一把英文字母转换为小写,例Word -> word
近义词转换适用于各语言。例宽敞 -> 宽阔
停用词适用于各语言。去除含义宽泛不具备代表性的词语和其他人工指定停用的词语,例的、是。中文停用词库:https://github.com/goto456/stopwords
提取词干适用于英文等。例words -> word
纠错适用于各语言。例宽肠 -> 宽敞
自动补全适用于各语言。
索引过程总结

查询过程

73217494251854ce5a30614d007564b7.png

表格左右滑动查看

搜索名词概念描述
关键字(Query)发起搜索是用户输入的关键字
关键字(Query)分析

关键字(Query)同样需要经过分析器,且和文档索引过程是相同的分析器。

相同分析器:

  • 相同字符过滤器

  • 相同分词器

  • 相同分词过滤器

730092b65497bfb9678426945c5ec931.png

分词器:

表格左右滑动查看

关键字(Query)中文分词结果(Terms)
秒杀系统的设计秒杀 / 系统 / 的 / 设计
词条(Terms)
秒杀
系统
的
设计

分词过滤器:

此处以停用词分词过滤器为例讲解分词过滤器的过程,本文使用的停用词库示例:https://github.com/goto456/stopwords/blob/master/cn_stopwords.txt

得到去除了停用词的之后的词条(Terms)集合:

表格左右滑动查看

词条(Terms)
秒杀
系统
设计
召回(Recall)
什么是召回(Recall)

使用上文的文档内容以及文档分词结果:

表格左右滑动查看

文档ID文档内容(Doc)中文分词结果(Terms)
1电商设计手册SkrShop电商 / 设计 / 手册 / SkrShop
2秒杀是电商的一种营销手段秒杀 / 是 / 电商 / 的 / 一种 / 营销 / 手段
3购物车是电商购买流程最重要的一步购物车 / 是 / 电商 / 购买 / 流程 / 最 / 重要 / 的 / 一步

进一步使用分词过滤器过滤分词结果,以相同的停用词分词过滤器为例。本文使用的停用词库示例:https://github.com/goto456/stopwords/blob/master/cn_stopwords.txt

比如命中了停用词是:

4311be8714d5360a494d388254848d73.png

经过停用词分词过滤器之后的结果:

表格左右滑动查看

文档ID文档内容(Doc)中文分词结果(Terms)
1电商设计手册SkrShop电商 / 设计 / 手册 / SkrShop
2秒杀是电商的一种营销手段秒杀 / 电商 / 一种 / 营销 / 手段
3购物车是电商购买流程最重要的一步购物车 / 电商 / 购买 / 流程 / 重要 / 一步

进一步得到倒排索引结构:

表格左右滑动查看

词条文档IDs
电商1、2、3
设计1
手册1
SkrShop1
秒杀2
一种2
营销2
手段2
购物车3
购买3
流程3
重要3
一步3

接着模拟搜索过程,假设用户搜索秒杀系统的设计:

表格左右滑动查看

关键字(Query)中文分词结果(Terms)
秒杀系统的设计秒杀 / 系统 / 的 / 设计
词条(Terms)
秒杀
系统
的
设计

分词过滤器,使用同上过程的停用词分词过滤器为例,得到去除了停用词的之后的词条(Terms)集合,称之为关键字(Query)的词条集合:

表格左右滑动查看

词条(Terms)
秒杀
系统
设计
  • 关键字(Query)的词条秒杀,通过上述倒排索引可以很容易找到文档2

  • 关键字(Query)的词条系统,通过上述倒排索引没有找到任何文档

  • 关键字(Query)的词条设计,通过上述倒排索引可以很容易找到文档1

这样用户搜索秒杀系统的设计就找到了如下文档:

  • 文档2:秒杀是电商的一种营销手段

  • 文档1:电商设计手册SkrShop

以上过程就是召回。

表格左右滑动查看

搜索名词概念描述
召回(Recall)搜索引擎利用倒排索引,通过词条获取相关文档的过程。

上述召回过程,用户通过搜索秒杀系统的设计找到了文档1、2。

补充:以上基于倒排索引的文本召回方式。除此之外还有基于相同类目、其他相似属性的召回方式,以及基于深度学习的向量召回。

接着问题来了:

文档1、2,谁在前,谁在后的顺序怎么决定呢?

接着下文来讲搜索引擎排序的实现。

排序

引入上面的问题:

文档1、2,谁在前,谁在后的顺序怎么决定呢?

答:文档的相关性决定的,搜索引擎会给文档的相关性进行打分score。通常决定这个分数score主要是两个指标:

  • 文档率:tf(Term Frequency)

  • 逆文档率:idf(Inverse Document Frequency)

可以简单理解为相关性 score = 文档率 * 逆文档率,相关性score的值越高排序越靠前,接着,我们分别看看相关概念的含义。

什么是词频(tf:Term Frequency)

还是使用上面的文档:

表格左右滑动查看

文档ID文档内容(Doc)中文分词结果(Terms)
1电商设计手册SkrShop电商 / 设计 / 手册 / SkrShop
2秒杀是电商的一种营销手段秒杀 / 电商 / 一种 / 营销 / 手段
3购物车是电商购买流程最重要的一步购物车 / 电商 / 购买 / 流程 / 重要 / 一步

这里我们以词条:电商/秒杀为例。

词频的简单算法:词频 = 词条在单个文档出现的次数/文档总词条数,词频的值越大越相关,反之越不相关。

比如,秒杀一词在文档1中出现的频率,以单个文档的全部词条为维度,我们简单的到了秒杀一词在各文档的词频:

表格左右滑动查看

文档ID文档内容(Doc)中文分词结果(Terms)词条在单个文档出现的次数词频(秒杀)
1电商设计手册SkrShop电商 / 设计 / 手册 / SkrShop00/4=0
2秒杀是电商的一种营销手段秒杀 / 电商 / 一种 / 营销 / 手段11/5=0.2
3购物车是电商购买流程最重要的一步购物车 / 电商 / 购买 / 流程 / 重要 / 一步00/6=0

同理,我们简单的到了电商一词在各文档的词频:

表格左右滑动查看

文档ID文档内容(Doc)中文分词结果(Terms)词条在单个文档出现的次数词频(电商)
1电商设计手册SkrShop电商 / 设计 / 手册 / SkrShop11/4=0.25
2秒杀是电商的一种营销手段秒杀 / 电商 / 一种 / 营销 / 手段11/5=0.2
3购物车是电商购买流程最重要的一步购物车 / 电商 / 购买 / 流程 / 重要 / 一步11/6=0.167
搜索名词概念描述
词频(tf:Term Frequency)词条在单个文档出现的次数/文档总词条数
什么是逆文档率(idf:Inverse Document Frequency)

对于单个文档而言,词频的值越大越相关。

思考个问题,如果某个词条在所有文档都出现,相关性越好还是越不好?


 
答:不好,对吧。

这个就是文档率:文档率 = 包含某个词条的文档数 / 所有文档数,文档率值越大越不相关,反之相关。

因为词频的值越大越相关,反之越不相关。为了保证和词频的逻辑一致,以及最终相关得分越高越相关,调整了文档率的算法,调换了分子分母:所有文档数 / (包含某个词条的文档数 + 1)加1保证分母不为零,这个就是逆文档率。

逆文档率 = 所有文档数 / (包含某个词条的文档数 + 1)。

但是呢,因为文档数往往特别大,上面的到的逆文档率的值会巨大无比,所以调整下公式,引入对数,降低值的大小,且让值变得平滑:

逆文档率 = log(所有文档数 / (包含某个词条的文档数 + 1))

词条(Term)逆文档率
电商log(3/(3+1))
秒杀log(3/(1+1))

最终就计算出每个文档分别对应每个Query词条的相关性score(tf/idf):相关性score = 文档率 * 逆文档率。

粗排/精排

上面利用tf/idf分数(相关性score = 文档率 * 逆文档率)排序的结果只是对召回文档的初步排序,称之为粗排。

得到粗排的结果后,通常还会把文档按照实际业务的要求进行更精确的排序,比如通过人工干预增加一些文档的权重,使之排序更靠前,这个过程就是精排。

搜索过程总结

1. 索引过程:文档(Doc) -> 分析 -> 倒排索引。

4538f612b355a798b52db5d3894864d6.png

2. 查询过程:关键字(Query) -> 分析 -> 召回 -> 排序。

ce9b4582a47b2687510814dbc937aa31.png

搜索引擎ES进阶


索引(名词)的基本结构

  • 索引index

    • 映射mapping:管理索引的属性,比如使用的分析器等等

    • 文档doc:需要被搜索的具体文档

    • 类型type:区分不同的文档数据结构类型

e1f3799761a5a2d5b002f35f4a6d9918.png

进一步完善搜索过程:加入更详细的索引(名词)结构。

93db3f4294987c3232519d281b83efc7.png

搜索引擎ES的逻辑结构

c171b4317180c9f78a441e0b91c18de1.png


[Skr Shop] 项目地址

长按进入:https://github.com/skr-shop/manuals

5c5ce456dea45bf11075f74ad07be8ed.png


Skr Shop系列更多文章

779975d16a3b8bba5a3cf3d591cc4b98.png


9784dad4a2f30033c210d41f605cfb1a.png

ElasticSearch - 解决ES的深分页问题 (游标 scroll) ES为了避免深分页,不允许使用分页(from&amp;size)查询10000条以后的数据,因此如果要查询第10000条以后的数据,要使用ES提供的 scroll(游标) 来查询假设取的页数较大时(深分页),如请求第20页,Elasticsearch不得不取出所有分片上的第1页到第20页的所有文档,并做排序,最终再取出from后的size条结果作爲最终的返回值假设你有16个分片,则需要在coord... 阅读详情

相关推荐

MySQL深分页怎么解决?

方法优点缺点适用场景索引覆盖扫描性能高依赖索引主键或唯一索引字段的分页游标分页性能高,适合大数据量不支持随机跳页顺序翻页场景延迟关联减少数据扫描量需要子查询需要返回完整数据的深分页缓存减少数据库压力数据实时性差数据变化不频繁的场景分区表减少单次查询数据量分区设计复杂有明显分区规则的场景优化查询条件简单易用需要业务支持查询条件可缩小的场景搜索引擎适合复杂查询和大数据量增加系统复杂性大数据量、复杂查询场景根据业务需求选择合适的方法,可以有效解决 MySQL 深分页的性能问题。

猪猪 1278

收集的一些google搜索引擎技巧

google的秘密入口 一.大家试过没有,使用google,如果加用了超级代理,会有多十倍的东东可搜… 二.下面是google的一些秘密入口  http://www.google.com/microsoft  微软风格的入口    http://www.google.com/mac  MAC风格的入口    http://www.google.com/linux  Linux风格的

cool_rain_man的专栏 7446

互联网地址与搜索引擎:从IP到深网搜索

本文深入探讨了互联网地址的概念,包括IP地址和MAC地址的重要性,以及它们如何影响设备的唯一识别。同时,分析了搜索引擎的发展与工作原理,包括Googlebot等爬虫程序的运作以及用户如何通过搜索引擎查找信息。文章还涉及了全球主要搜索引擎的市场份额,以及深网和暗网专用搜索引擎的特殊性。

weixin_28922227的博客 361

【数据库学习】Elasticsearch(ES)原理

Elasticsearch索引的精髓:一切设计都是为了提高搜索的性能以空间换时间。

午后阳光 1万+

【无线通信】射频杂散(RF Spurious Emissions)

射频杂散(RF Spurious Emissions)是指在无线通信系统中,除了在指定频率范围内的预期信号之外,任何不需要的或非预期的射频信号。这些杂散信号可能会干扰其他通信系统,降低系统性能,并违反无线电通信法规。射频杂散通常包括谐波、次谐波、互调产物和其他非线性失真所产生的信号。

qq_38801607的博客 5433

Gamit 数据处理,相关的文件配置

一、处理前准备 1、在主文件夹内新建test项目文件,项目内新建brdc、igs和rinex三个文件夹,分别存放广播星历,精密星历几观测值文件,所用的命令分别为sh_get_nav、sh_get_orbits和sh_get_rinex (若文件为.Z,用gunzip命令解压,若仍为d,用命令sh_crx2rnx -f 命令解压为o文件) 2、进入test项目文件夹,链接tables,运行 sh_setup -yr 2015 -apr itrf08_com.apr 3、生成station.info文件。 将t

CodeDoraemon的博客 3377

ES 基本原理

ElasticSearch原理 一、ES的适用场景 1、ES的主要应用分为两大类: 搜索类(带上聚合),考虑事务性,频繁更新,与现有数据库进行同步,通过ES进行查询聚合。 日志类,包括日志收集,指标性收集,通过beats等工具收集到kafka等Q中,通过logstash进行转换,输送到ES中,然后通过Kibana进行展示。 MySQL作为开源关系型数据库,应用范围非常广泛,非常适合于结构化数据存储和查询。在数据查询场景下,默认返回所有满足匹配条件的记录;如果业务数据为结构化数据,同时不需要特别关注排名和

much efforts, much luck 1万+

从 ABAP 视角看 JSON :7.40 版本带来的那些改变

摘要:ABAP 对 JSON 的原生支持 随着企业系统与外部 API 的交互增多,ABAP 从 NetWeaver 7.40 开始原生支持 JSON 格式。通过复用现有 XML 基础设施,ABAP 团队引入 JSON-XML 概念,使用 sXML Library 和 IF_SXML=>CO_XT_JSON 常量处理 JSON 数据。开发人员可通过 CALL TRANSFORMATION 语句实现 ABAP 数据与 JSON 的双向转换,大幅简化了与外部系统的数据交互。这种标准化的 JSON 处理方式提

2007 年 ~ 2025 年,深耕 SAP 技术 18 年 182

ES搜索引擎

131414

qq_40728490的博客 2988

Cadence OrCAD Capture原理图中为功能模块分配ROOM的方法

本文详解介绍原理图设计阶段为原理图模块分配ROOM的方法。

fydar的博客 1349

2026华为OD机考新系统真题 + 双机位C卷 + 往年真题 - 题库目录分值说明 + 考点说明+在线OJ

2026年4月1日起,华为OD机试正式切换至新系统模式!采用力扣模式,无需自己写输入! 难度大幅度降低。正在备考华为OD机试的同学,优先刷新系统机试真题,可大幅提升通过率。 新系统考题考点与旧版一致,无需重新适应。本专栏所有算法题均配有详细思路解析,并提供C语言、JS、C++、Python、Go、Java多语言源码实现。订阅后私信即可开通专属OJ刷题权限,高效备考一次上岸!

算法大师! 45万+

深搜和广搜的原理及优缺点

深搜原理 深搜,顾名思义,是深入其中、直取结果的一种搜索方法。   如果深搜是一个人,那么他的性格一定倔得像头牛!他从一点出发去旅游,只朝着一个方向走,除非路断了,他绝不改变方向!除非四个方向全都不通或遇到终点,他绝不后退一步!因此,他的姐姐广搜总是嘲笑他,说他是个一根筋、不撞南墙不回头的家伙。   深搜很讨厌他姐姐的嘲笑,但又不想跟自己的亲姐姐闹矛盾,于是他决定给姐姐讲述自己旅途中的经历,来改善...

dark_cy的博客 1万+

故障排查:OpenClaw 更新后 feishu 插件路径失效的解决方法

OpenClaw 更新后 feishu 插件路径失效的解决方法发现问题→ Gateway 启动失败,报插件路径错误定位原因→ OpenClaw 目录结构变化,→解决问题→ 更新为正确的路径验证修复→ 使用确认一切正常。

刘一说的IT专栏 1308

搜索 —— 深搜的剪枝技巧

【概述】 搜索算法的时间复杂度大多是指数级的,难以满足对程序运行时间的限制要求,为使降低时间复杂度,对深度优先搜索可以进行一种优化的基本方法——剪枝。 搜索的进程可以看做是从树根出发,遍历一颗倒置树(搜索树)的过程,所谓剪枝,就是通过某些判断,避免一些不必要的遍历过程,形象的说,就是减去搜索树中的某些枝条。 显而易见,应用剪枝优化的核心问题是设计剪枝判断方法,即确定哪些枝条舍弃哪些枝条保...

Alex_McAvoy的博客 8494

(七)独立按键

(七)独立按键

m0_52555663的博客 1736

Python 爬虫实战:Twitter 数据定向抓取(特定话题 + 用户推文爬取与分析)

在社交媒体研究、舆情监测和市场分析等领域,Twitter 数据具有极高的价值。本文将详细介绍如何使用 Python 构建一个完整的 Twitter 数据爬取系统,包括特定话题和用户推文的爬取与分析。我们将涵盖从认证到数据存储、清洗、分析和可视化的全流程。

u014481728的博客 1039

Elasticsearch数据搜索原理

Elasticsearch 是一个开源的、基于 Lucene 的分布式搜索和分析引擎,设计用于云计算环境中,能够实现实时的、可扩展的搜索、分析和探索全文和结构化数据。它具有高度的可扩展性,可以在短时间内搜索和分析大量数据。Elasticsearch 不仅仅是一个全文搜索引擎,它还提供了分布式的多用户能力,实时的分析,以及对复杂搜索语句的处理能力,使其在众多场景下,如企业搜索,日志和事件数据分析等,都有广泛的应用。

栗筝i的博客 4675

SAP B1中文培訓教材_SDK

公司内部培训资料,对开发工具 ,DIAPI, UIAPI,Add-ON有详细解说

深广度搜索手写实现与networkx对比

同步于Buracag的博客 前面项目在做一个遍历搜索的时候,有用到深度/广度搜索的相关知识;原理很简单,不再拾人牙慧了哈;这篇文章主要是将我自己简单实现的深广度搜索分享出来并与Python networkx模块中的已有实现做一个简单对比。 1. 手写实现 1.1 网络的定义 这一步最主要的属性是node_neighbors, 理解成与一个node有连接边(edge)的所有nodes。 class...

buracag_mc的博客 1529

lwip-2.0.3

lwip是瑞典计算机科学院(SICS)的Adam Dunkels 开发的一个小型开源的TCP/IP协议栈。实现的重点是在保持TCP协议主要功能的基础上减少对RAM 的占用。

Data-Structures-and-Algorithm-Analysis-in-Java.pdf

作者: Weiss, Mark A. 出版社: Addison Wesley Data Structures and Algorithm Analysis in Java is an “advanced algorithms” book that fits between traditional CS2 and Algorithms Analysis courses. In the old ACM Curriculum Guidelines, this course was known as CS7. This text is for readers who want to learn good programming and algorithm analysis skills simultaneously so that they can develop such programs with the maximum amo...

【原创】全文搜索引擎技术原理入门

本文是描述搜索引擎的核心工作原理的文档,从搜索引擎的 内容抓取(Spider)、分词(NLP)、索引构建(Index)、内容相关性(Document Rank)排序等几个方面进行介绍,希望能够提供系统性的学习和了解搜索引擎内部工作机制。

heiyeluren的blog(黑夜路人的开源世界) 4707

TMS_WebGMaps_1.9.8.0_Full_Source

TMS_WebGMaps_1.9.8.0_Full_Source 全源码 delphi cbuilder

课程讲解---深搜

DFS适合需要深入探索的问题,如路径查找和环检测。BFS适合需要找到最短路径的问题,如迷宫求解和社交网络分析。选择哪种算法取决于具体问题的需求和图的特性。

你猜我是谁? 2241

数据结构算法设计——深搜DFS(走迷宫)

数据结构算法设计——深搜DFS(走迷宫)

给你糖ya的博客 3101

深搜与广搜的优缺点

深搜原理 深搜,顾名思义,是深入其中、直取结果的一种搜索方法。   如果深搜是一个人,那么他的性格一定倔得像头牛!他从一点出发去旅游,只朝着一个方向走,除非路断了,他绝不改变方向!除非四个方向全都不通或遇到终点,他绝不后退一步!因此,他的姐姐广搜总是嘲笑他,说他是个一根筋、不撞南墙不回头的家伙。   深搜很讨厌他姐姐的嘲笑,但又不想跟自己的亲姐姐闹矛盾,于是他决定给姐姐讲述自己旅途中的经历,来改善...

小飞猪的博客 703

搜索与回溯——广搜与深搜

深搜 优点 1、能找出所有解决方案 2、优先搜索一棵子树,然后是另一棵,所以和广搜对比,有着内存需要相对较少的优点 缺点 1、要多次遍历,搜索所有可能路径,标识做了之后还要取消。 2、在深度很大的情况下效率不高 void DFS() //N代表目前DFS的深度 { if(找到解) //进行相应的操作 { … return; } for(inti=0;i<4;i++) //枚举四个方向 { DFS(N+1); //进入下层递归 } } 一般情况下,套用上述公式即可。(枚举

dgyshy的博客 375

搜索2——广搜深搜

总共带了两双鞋都湿了,现在都开始穿拖鞋上课了。宿舍楼旁边那个湖,一直以为是人工湖,最近才发现原来是下水道。现在想想我当时为什么不报河南工程。。。烦气。都是老杨在那个牌上,把河南工程放下面了,再次诅咒老杨,蹲厕所没有手纸。 广度优先搜索和深度优先搜索主要是用于图的遍历。今天先不说图先把搜索总结完。 广度搜索:按层次来遍历。通常是用队列来写的。从某点出发(入队)判断当前点是否符合条件决定是否返回出队当...

qq_36323837的博客 897

从程序到算法——深搜

今年的NOIP2017普及组T3简直了,T1T2那么水,T3突然要算法了,去年好像还没这么BT……目测是搜索走遍天下。{然而暴力寸步难行……}那就说说搜索吧。

ywr_ywr的博客 885
上一篇: [Skr-Shop]电商搜索业务介绍
下一篇: 一大波更新预告
TIGERB_Blog
博客等级 码龄10年 109粉丝 65原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值