淺談搜索引擎技術(shù)的難點(diǎn)

索引擎的難點(diǎn)包括如下幾點(diǎn)：
    1) 是否支持并發(fā)的爬取數(shù)據(jù)，如果要并發(fā)，要保證所有采集器能合作采集，不會出現(xiàn)重復(fù)采集的情況.

    2) 采集的數(shù)據(jù)還要有一個排重的過程. 只需要采集一個網(wǎng)站更新的數(shù)據(jù)

    3) 對于需要cookie數(shù)據(jù)的網(wǎng)頁如何采集的問題,部分網(wǎng)站需要通過cookie數(shù)據(jù)登陸網(wǎng)站

    4) 自動通過識別碼的驗(yàn)證

    5) 一些網(wǎng)站對于密集訪問的請求會拒絕，技術(shù)上也要進(jìn)行處理

    6) 對于一些特殊網(wǎng)頁的采集問題, 比如flash網(wǎng)頁，一些游戲網(wǎng)頁等，很多網(wǎng)站會讓采集程序陷入其中，采集數(shù)萬無效數(shù)據(jù)，顯然是浪費(fèi)了采集程序的精力

    7) 大數(shù)據(jù)量的存儲也是個難點(diǎn)，據(jù)說Google的存儲是自己開發(fā)的架構(gòu)，沒用任何的數(shù)據(jù)庫，因?yàn)閿?shù)據(jù)庫的查詢效率還是有一定損失. 可以采用數(shù)據(jù)塊的模式，然后通過散列表的模式連接.

    以上主要列出的是后臺采集器的相關(guān)技術(shù)難點(diǎn)，在前臺檢索、查詢效率等方面仍有許多難點(diǎn).