搜索引擎零距離--基於Ruby+Java搜索引擎原理與實現（簡體書）

隨著網絡信息資源的急劇增長，人們越來越多地關注如何快速有效地從海量的網絡信息中，抽取出潛在的、有價值的信息，使之有效地在管理和決策中發揮作用。搜索引擎技術解決了用戶檢索網絡信息的困難，目前搜索引擎技術正成為計算機科學界和信息產業界爭相研究、開發的對象。
本書的作者是一位資深的搜索引擎開發人員，書中對數據獲取（網絡信息挖掘）與數據檢索（搜索引擎）兩個方面作了深入的介紹。本書首先提出了一套“網絡數據挖掘”的完整理論，并給出一個實際的智能爬蟲系統，通過理論與實際的完整呈現，使讀者能夠對“網絡數據挖掘”有一個比較具體的認識，然后介紹了一個專用程序語言IRS，并給出了這個語言的編譯器以及虛擬機的實現方法。本書還通過對多個開源搜索引擎項目抽絲剝繭的細致分析，引出搜索引擎的一些基本原理與開發方法，并介紹了一個商業化搜索引擎的實例。本書的最后還結合一個Java框架介紹了一些軟件設計思想。
本書涉及網絡數據挖掘、搜索引擎原理、編譯原理、數據庫原理、正則表達式、軟件工程、設計模式、Ruby語言、HTTP協議等計算機科學與技術的知識，適合搜索引擎開發人員作為參考，也適合有一定計算機基礎的讀者閱讀，以擴展視野。
本書的內容中，既有教科書式的理論闡述，也有“七天入門”式的實例解析，還有《Linux內核情景分析》風格的細致的代碼分析，甚至還有一些英語文獻翻譯，從初學者到有一定經驗的搜索引擎開發人員，各個層次的讀者都能找到一些適合自己閱讀的章節。

王亮，主持或參與過多個大中型索引擎開發與運營，具有豐富的搜索引擎算法理論知識與實際開發運營經驗。曾任職于愛立信、Smarter.com、上海網村、上海邁眾，2009年創立上海睿驛信息技術有限公司并任CEO，致力于提供搜索引擎相關的產品和服務。

第1章　網頁數據挖掘
　1.1 網頁數據挖掘定義
　1.2　Web數據挖掘面臨的問題
　1.3　Web數據挖掘的分類
　1.4　網頁數據的結構與特點
1.4.1　HTML超文本標記語言
1.4.2　WML無線標記語言
　1.5　網頁數據挖掘的基本方法
1.5.1 預備知識
1.5.2　變量模板匹配方法
1.5.3　樹節點直接標識方法
1.5.4　語義規則識別方法
第2章　智能網絡爬蟲
　2.1 智能網絡爬蟲的定義與特點
　2.2　抓取入口定義
　2.3　次級頁面自動發現
　2.4　次級頁面地址拼接
　2.5 已爬地址處理
　2.6　信息采集強度控制
　2.7　模擬用戶登錄
　2.8　驗證碼識別
　2.9　代理服務器設置
　2.10　JavaScript解析控制
第3章　網頁信息挖掘專用程序設計語言IRS
　3.1　IRS語言的簡介與設計原則
　3.2　IRS腳本語法結構
3.2.1　頁面配置塊
3.2.2　頁面名語句
3.2.3　爬蟲配置聲明語句
3.2.4　入口聲明語句
3.2.5　編碼配置
3.2.6　步長配置
3.2.7　重試次數配置
3.2.8　正則模式匹配語句
3.2.9　匹配名聲明
3.2.10　IEE表達式
3.2.11　模式匹配修飾符
3.2.12　節點模式匹配語句
3.2.13 次級頁面入口語句
3.2.14　保存語句
3.2.15　Ruby控制語句
3.2.16　爬蟲配置語句
3.2.17　系統配置語句
3.2.18　外部配置文件
3.2.19　執行語句塊
3.2.20　IRQL存儲語句
3.2.21　IRQL語言中的數據表
3.2.22　IRQL內部函數
3.2.23 實例解析
第4章　IRS虛擬機及編譯器實現原理
　4.1　Ruby基本語法
4.1.1　字句構造和表達式
……
第5章　搜索引擎設計原理
第6章　搜索引擎的商業化實現
第7章　Hivemind
后記與感謝