搜索引擎学习资源收集[转帖]

 

搜索引擎学习资源收集[转帖] http://www.zhihere.com/bbs/dispbbs.asp?boardid=8&id=630   一、搜索引擎技术/动态资源 <一>、综合类 1、卢亮的搜索引擎研究    [URL=http://www.wespoke.com/][/URL]http://www.wespoke.com/ 卢亮属于搜索引擎开发上的专家，以前开发过一个搜索引擎"博索"([URL=http://booso.com/][/URL]http://booso.com/),好像现在已经停止开发了，目前他服务于博客网。在他的这个blog上可以了解许多搜索引擎开发的技术和经验，值得持续关注。 2、laolu/'blog   有不少来自国外的关于搜索引擎方面的资料，偏重于资料和数字 3、哈斯日志 [URL=http://www.loverty.org/][/URL]http://www.loverty.org/ 在这里可以看到国内外几大搜索引擎的最新动态，值得关注搜索发展形势的人多看看 4、北京奕天锐新科技有限公司   [URL=http://www.21cnbj.com/][/URL]http://www.21cnbj.com/ 搜索引擎、SEO、SEM等行业新闻动态 5、中文搜索引擎指南网     [URL=http://www.sowang.com/][/URL]http://www.sowang.com/ 搜索引擎最新动态，各种搜索技巧、方法 6、中文全文检索网     [URL=http://www.fullsearcher.com/][/URL]http://www.fullsearcher.com/ FullSearcher.Com是有两个对搜索爱好的年轻人创办，我们的目标是让中文互联网全面进入搜索时代，让搜索无处不在。通过搜索改变人们的生活。   FullSearcher提供全文检索的相关知识、垂直搜索引擎知识、搜索的相关新闻等搜索相关内容。 <二>、Google动态 Google官方博客：Google 黑板报   [URL=http://googlechinablog.com/][/URL]http://googlechinablog.com/                             Google 中国的博客网志，走近我们的产品、技术和文化   1、Gfans   [URL=http://gfans.org/][/URL]http://gfans.org/     一群Google的粉丝 这里没有 PageRank，没有 HillTop，没有 SEO。如果 Google 是龙井，我希望这里便是虎跑，去化开那馥郁如兰之香。观于沧海者难为水，搜于 Google 者难为言，Google 已不只是文化，他是我的信仰。 本站文章约法三章：  不讨论 SEO 及相关；  不得无聊转载；  严禁侮辱百度。 2、幻灭的麦克风   [URL=http://www.kenwong.cn/][/URL]www.kenwong.cn   Google天地 3、google 观察 [URL=http://blog.donews.com/googleview/][/URL]http://blog.donews.com/googleview/ <二>、其他搜索引擎动态 1、雅虎搜索日志  [URL=http://ysearchblog.cn/][/URL]http://ysearchblog.cn/ 记录雅虎搜索引擎的动态、产品、技术等 二、搜索引擎代码资源 一>、搜索引擎/网络蜘蛛程序代码 国外开发的相关程序 1、Nutch 官方网站 [URL=http://www.nutch.org/][/URL]http://www.nutch.org/ 中文站点 [URL=http://www.nutchchina.com/][/URL]http://www.nutchchina.com/ 最新版本：Nutch 0.7.2 Released Nutch 是一个开源Java 实现的搜索引擎。它提供了我们运行自己的搜索引擎所需的全部工具，可以建立自己内部网的搜索引擎，也可以针对整个网络建立搜索引擎。自由(Free)而免费(Free)。 2、Lucene [B][/B]  官方网站  [URL=http://lucene.apache.org/][/URL]http://lucene.apache.org 中文站点  [URL=http://www.lucene.com.cn/][/URL]http://www.lucene.com.cn/ Lucene 是apache软件基金会 jakarta项目组的一个子项目，是一个开放源代码的全文检索引擎工具包[用Java写的]，即它不是一个完整的全文检索引擎，而是一个全文检索引擎的架构，提供了完整的查询引擎和索引引擎，部分文本分析引擎（英文与德文两种西方语言）。Lucene的目的是为软件开发人员提供一个简单易用的工具包，以方便的在目标系统中实现全文检索的功能，或者是以此为基础建立起完整的全文检索引擎。 3、Larbin: [URL=http://larbin.sourceforge.net/index-eng.html][/URL]http://larbin.sourceforge.net/index-eng.html larbin是一种开源的网络爬虫/网络蜘蛛，由法国的年轻人 Sébastien Ailleret独立开发。larbin目的是能够跟踪页面的url进行扩展的抓取，最后为搜索引擎提供广泛的数据来源。 国内开发的相关程序 1、SQLET - 开放源码的中文搜索引擎    官方网站 [URL=http://www.sqlet.com/][/URL]http://www.sqlet.com/ SQLET，是Search & Query &Link, 加后缀 let，表示小的，小型的意思.打算建立一个能搜上亿张网页的基于主题功能的中文搜索引擎.支持3种索引方式：MySql_table_Index， Lucene_Index，SQLET_Index.网页抓取可以保存在文件系统及数据库里。自带WebServer. 2、菲度垂直搜索引擎代码  菲度[URL=http://www.faydu.net/][/URL]http://www.faydu.net 为一个垂直在线搜索的演示版，主要对国内一些购物站点进行搜索整理， 现在开源测试版本的代码，供大家讨论。下载说明： 1》因为本程序是在服务器上运行，是在多个处理器下运行的，个人电脑上请控制线程数量 2》包含一个data 的数据库 还原到sql server  3》收集完毕默认在bin目录有licene生成的反排的索引文件  4》下载地址：[URL=http://www.faydu.net/download/code.rar][/URL]http://www.faydu.net/download/code.rar 开放日期：2006-4-18   来源:http://blog.csdn.net/faydu/archive/2006/04/18/667997.aspx 语言：VB.net(c#) 二>、中文分词程序代码 1、计算所汉语词法分析系统 ICTCLAS 中国科学院计算技术研究所在多年研究基础上，耗时一年研制出了基于多层隐马模型的汉语词法分析系统 ICTCLAS(Institute of Computing Technology, Chinese Lexical Analysis System)，该系统的功能有：中文分词；词性标注；未登录词识别。分词正确率高达97.58%(最近的973专家组评测结果)，基于角色标注的未登录词识别能取得高于90%召回率，其中中国人名的识别召回率接近98%，分词和词性标注处理速度为31.5KB/s。ICTCLAS 和计算所其他14项免费发布的成果被中外媒体广泛地报道，国内很多免费的中文分词模块都或多或少的参考过ICTCLAS的代码。 下载页面：[URL=http://www.nlp.org.cn/project/project.php?proj_id=6][/URL]http://www.nlp.org.cn/project/project.php?proj_id=6 由于 ICTCLAS 是由 C 语言写成的，现在主流的开发工具用起来不太方便，于是有一些热心的程序员把 ICTCLAS 改为 Java 和 C# 等其他语言。 （1）fenci，Java 的 ICTCLAS，下载页面：[URL=http://www.xml.org.cn/printpage.asp?BoardID=2&id=11502][/URL]http://www.xml.org.cn/printpage.asp?BoardID=2&id=11502 （2）AutoSplit，另一个 Java 的 ICTCLAS，已经找不到下载页面，点击本地下载 （3）小叮咚中文分词，曾经有下载页面，现在找不到了。据作者介绍，从 ICTCLAS 中改进，有 Java，C# 和 C++ 三个版本，介绍页面：[URL=http://www.donews.net/accesine][/URL]http://www.donews.net/accesine 2、海量智能分词研究版 海量智能计算技术研究中心为了使中文信息处理领域的研究者们能够共同分享海量智能中心的研究成果，共同提高中文信息处理水平，特此发布《海量智能分词研究版》，供专家、学者和爱好者进行研究。 下载页面：[URL=http://www.hylanda.com/cgi-bin/download/download.asp?id=8][/URL]http://www.hylanda.com/cgi-bin/download/download.asp?id=8 3、其他 （1）CSW中文智能分词组件 运行环境：Windows NT、2000、XP 或更高，可以在 ASP，VB 等微软的开发语言中调用。 简介: CSW中文智能分词DLL组件，可将一段文本自动的按常规汉语词组进行拆分,并以指定方式进行分隔，且可对其拆分后的词组进行语义、词频标注。其广范应用于各行各业的信息资料检索、分析。 下载页面：[URL=http://www.vgoogle.net/][/URL]http://www.vgoogle.net/ （2） C# 写的中文分词组件 据作者介绍，一个 DLL 文件，可以做中英文分词组件。完全C#托管代码编写，独立开发。 下载页面：[URL=http://www.rainsts.net/article.asp?id=48][/URL]http://www.rainsts.net/article.asp?id=48 三>、开源spider一览 spider是搜索引擎的必须模块.spider数据的结果直接影响到搜索引擎的评价指标. 第一个spider程序由MIT的Matthew K Gray操刀该程序的目的是为了统计互联网中主机的数目 Spier定义(关于Spider的定义,有广义和狭义两种). 狭义:利用标准的http协议根据超链和web文档检索的方法遍历万维网信息空间的软件程序.  广义:所有能利用http协议检索web文档的软件都称之为spider.  其中Protocol Gives Sites Way To Keep Out The /'Bots Jeremy Carl, Web Week, Volume 1, Issue 7, November 1995 是和spider息息相关的协议,大家有兴趣参考robotstxt.org. Heritrix  Heritrix is the Internet Archive/'s open-source, extensible, web-scale, archival-quality web crawler project. Heritrix (sometimes spelled heretrix, or misspelled or missaid as heratrix/heritix/ heretix/heratix) is an archaic word for heiress (woman who inherits). Since our crawler seeks to collect and preserve the digital artifacts of our culture for the benefit of future researchers and generations, this name seemed apt. 语言:JAVA, (下载地址) WebLech URL Spider    WebLech is a fully featured web site download/mirror tool in Java, which supports many features required to download websites and emulate standard web-browser behaviour as much as possible. WebLech is multithreaded and comes with a GUI console.  语言:JAVA, (下载地址) JSpider A Java implementation of a flexible and extensible web spider engine. Optional modules allow functionality to be added (searching dead links, testing the performance and scalability of a site, creating a sitemap, etc ..  语言:JAVA, (下载地址) WebSPHINX  WebSPHINX is a web crawler (robot, spider) Java class library, originally developed by Robert Miller of Carnegie Mellon University. Multithreaded, tollerant HTML parsing, URL filtering and page classification, pattern matching, mirroring, and more.  语言:JAVA, (下载地址) PySolitaire  PySolitaire is a fork of PySol Solitaire that runs correctly on Windows and has a nice clean installer. PySolitaire (Python Solitaire) is a collection of more than 300 solitaire and Mahjongg games like Klondike and Spider.  语言:Python , (下载地址) The Spider Web Network Xoops Mod Team      The Spider Web Network Xoops Module Team provides modules for the Xoops community written in the PHP coding language. We develop mods and or take existing php script and port it into the Xoops format. High quality mods is our goal.  语言:php , (下载地址) Fetchgals  A multi-threaded web spider that finds free porn thumbnail galleries by visiting a list of known TGPs (Thumbnail Gallery Posts). It optionally downloads the located pictures and movies. TGP list is included. Public domain perl script running on Linux.    语言:perl , (下载地址) Where Spider    The purpose of the Where Spider software is to provide a database system for storing URL addresses. The software is used for both ripping links and browsing them offline. The software uses a pure XML database which is easy to export and import.  语言:XML , (下载地址) [B][/B]Sperowider Sperowider Website Archiving Suite is a set of Java applications, the primary purpose of which is to spider dynamic websites, and to create static distributable archives with a full text search index usable by an associated Java applet.  语言:Java , (下载地址) SpiderPy SpiderPy is a web crawling spider program written in Python that allows users to collect files and search web sites through a configurable interface.  语言:Python , (下载地址) [B][/B]Spidered Data Retrieval Spider is a complete standalone Java application designed to easily integrate varied datasources. * XML driven framework * Scheduled pulling * Highly extensible * Provides hooks for custom post-processing and configuration  语言:Java , (下载地址) [B][/B]webloupe WebLoupe is a java-based tool for analysis, interactive visualization (sitemap), and exploration of the information architecture and specific properties of local or publicly accessible websites. Based on web spider (or web crawler) technology.  语言:java , (下载地址) ASpider Robust featureful multi-threaded CLI web spider using apache commons httpclient v3.0 written in java. ASpider downloads any files matching your given mime-types from a website. Tries to reg.exp. match emails by default, logging all results using log4j.  语言:java , (下载地址) larbin  Larbin is an HTTP Web crawler with an easy interface that runs under Linux. It can fetch more than 5 million pages a day on a standard PC (with a good network).  语言:C++, (下载地址) 三、SEO相关资源   1、域名信息查询 　   ★ 查询国际顶级域名的信息(.aero, .arpa, .biz, .com, .coop, .edu, .info, .int, .museum, .net, .org)，可以通过ICANN授权的域名注册商来查询，也可以直接到INTERNIC网站查询，网址是 　　[URL=http://www.internic.com/whois.html][/URL]http://www.internic.com/whois.html        [URL=http://www.iwhois.com/][/URL]http://www.iwhois.com/ 　　★ 查询全球各个地理顶级域名是否已经被注册可以到下列网址查询（其中也包括国内域名.cn）： 　　[URL=http://www.uwhois.com/cgi/domains.cgi?User=NoAds][/URL]http://www.uwhois.com/cgi/domains.cgi?User=NoAds 　　★ 查询国内域名的注册情况， 　　[URL=http://ewhois.cnnic.net.cn/index.jsp][/URL]http://ewhois.cnnic.net.cn/index.jsp         ★ 万网的域名注册信息查询         [URL=http://www.net.cn/][/URL]http://www.net.cn/        ★ IP地址查询、域名注册信息Whois查询        [URL=http://ip.zahuopu.com/][/URL]http://ip.zahuopu.com/   2、alexa相关与搜索排行榜     ★ 中文排名500强      [URL=http://www.alexa.com/site/ds/top_sites?ts_mode=lang&lang=zh_gb2312][/URL]http://www.alexa.com/site/ds/top_sites?ts_mode=lang&lang=zh_gb2312      ★ Google Zeitgeist--Google搜索排行榜      [URL=http://www.google.com/press/intl-zeitgeist.html#cn][/URL]http://www.google.com/press/intl-zeitgeist.html#cn     ★ 百度中文搜索风云榜      [URL=http://top.baidu.com/][/URL]http://top.baidu.com/    ★ 雅虎搜索排行榜     [URL=http://misc.yahoo.com.cn/top_index.html][/URL]http://misc.yahoo.com.cn/top_index.html    ★ 搜狗搜索指数    [URL=http://www.sogou.com/top/][/URL]http://www.sogou.com/top/   3、搜索关键词查询    ★  google关键字查询   https://adwords.google.com/select/KeywordSandbox     ★ 百度关键字查询   [URL=http://www2.baidu.com/inquire/dsquery.php][/URL]http://www2.baidu.com/inquire/dsquery.php     ★ 搜狐关键词   [URL=http://db.sohu.com/regurl/pv_price/query_consumer.asp][/URL]http://db.sohu.com/regurl/pv_price/query_consumer.asp    4、seo项目/工具   ★网页质量    [URL=http://category.booso.com/cgi-bin/category/category.cgi][/URL]http://category.booso.com/cgi-bin/category/category.cgi   ★关键词密度   [URL=http://www.21ql.com/seo/keyword.asp][/URL]http://www.21ql.com/seo/keyword.asp    ★搜索引擎蜘蛛模拟器  [URL=http://www.webconfs.com/search-engine-spider-simulator.php][/URL]http://www.webconfs.com/search-engine-spider-simulator.php    ★Google Dance查询工具：[URL=http://www.google-dance-tool.com/][/URL]http://www.google-dance-tool.com/    5、seo网站   英文网站：   搜索观察  [URL=http://www.searchenginewatch.com/][/URL]http://www.searchenginewatch.com/    seochat   [URL=http://www.seochat.com/][/URL]http://www.seochat.com    中文网站 1>美国尚奇公司 [URL=http://www.zunch.cn/][/URL]http://www.zunch.cn 全球领先的网站设计和搜索引擎优化服务公司 ,目前中国区负责人为--柳焕斌 尚奇博客社区  blog.zunch.cn  在这里可以获取最新的SEO行业信息   2>搜索引擎优化交流中心      [URL=http://www.seoonline.cn/][/URL]http://www.seoonline.cn  SEO从业者网站 1>尚奇中国区负责人为--柳焕斌  [URL=http://blog.zunch.cn/category/robinliu/][/URL]http://blog.zunch.cn/category/robinliu/ 2>seo专业人士--bianyue      [URL=http://www.bianyue.com/][/URL]http://www.bianyue.com/ 四、各大搜索引擎公司相关资料 1、联系方式 Google  [URL=http://www.google.com/intl/zh-CN/contact.html][/URL]http://www.google.com/intl/zh-CN/contact.html  公司总部 1600 Amphitheatre Parkway Mountain View, CA 94043 USA phone: (650) 253-0000 fax: (650) 253-0001 电子邮件：chinese_s@google.com    百度 [URL=http://d.baidu.com/contact/index.html][/URL]http://d.baidu.com/contact/index.html  电话 （010）82621188  传真 （010）82607007 82607008  E-mail webmaster@baidu.com  地址 北京市北四环西路58号理想国际大厦12层  邮编 100080     雅虎/一搜 [URL=http://cn.yahoo.com/docs/sales/040203_contact.htm][/URL]http://cn.yahoo.com/docs/sales/040203_contact.htm  总机：010-65811221 地址：北京市朝阳区光华东路和乔大厦B座5层雅虎中国搜索事业部  邮编：100026 传真：010-65812440 在线问题提交：[URL=http://www.yisou.com/search_feedback.html][/URL]http://www.yisou.com/search_feedback.html    中国搜索 [URL=http://www.zhongsou.com/kefu/kfzs.htm][/URL]http://www.zhongsou.com/kefu/kfzs.htm  地址：北京市西直门北大街42号华星大厦a座15.16层 邮编：100088 总机:010-62266296 传真: 010-82211302    搜狐搜索 [URL=http://www.sohu.com/about/lianxi.htm][/URL]http://www.sohu.com/about/lianxi.htm 地址：北京市海淀区中关村东路1号清华科技园9号威新国际大厦10层  邮编: 100084  电话： 86-10-62726666 传真： 86-10-62728300     新浪搜索 [URL=http://ads.sina.com.cn/contact.html][/URL]http://ads.sina.com.cn/contact.html  北京市北四环西路58号理想国际大厦20层 邮编：100080 Tel：(86-10)82628888 Fax：(86-10)82607166 搜索引擎咨询电话:010-82628888转6688 搜索引擎联系信箱 searchcn@staff.sina.com.cn    网易搜索 [URL=http://so.163.com/contactus.shtml][/URL]http://so.163.com/contactus.shtml  北京市东城区东长安街1号东方广场东方经贸城东三办公楼1901室 邮编/Zip：100738 网易搜索引擎客服热线： 电话：010-82110163-8350、8121、8136 E-mail：adp_complaint@service.netease.com