皮皮小说网

第1741章 別被技术细嚇住（第2页）

“一种文本匹配的方法。”陈浩解释，“比如你要找所有以『??开头的字符串。

这个让技术人员去查资料，他们懂。”

“第三，防止死循环。

每个访问过的连结都要记录下来，下次遇到就直接跳过。

还要设置深度限制，不能无限爬下去。”

贾瀞雯飞快地记著。

陈浩的声音很平静，好像这些难题都不是问题。

“那中文分词呢？”她问，“这个他们觉得特別难。”

电话那头沉默了一会儿。

“这个確实难。”陈浩承认，“英文搜索可以直接按单词匹配，中文必须先把句子切分成有意义的词语。

我们需要的不是机械切分，而是理解语义后的智能切分。”

“怎么做？”

“两种思路。”陈浩说，“一是基於词典，把常用的词做成词典库，然后匹配。

二是基於统计，分析大量文本，找出经常连在一起出现的字组合。

最好的办法是两者结合。”

贾瀞雯记下最后几个字，笔尖顿了顿：“浩哥，这些概念你怎么都懂？你又没学过计算机。”

陈浩笑了：“我是不懂具体编程，但我懂逻辑，懂原理。

而且我看得多，想得多。

搜寻引擎的核心不是技术多炫，而是理解人想要什么，然后从数据里找出来。”

他顿了顿：“瀞雯，你告诉团队，別被技术细节嚇住。

我们不是在写完美的学术论文，是在做一个能用的工具。

第一版可以粗糙，可以有问题，但要快，要让用户能用上。

改进可以慢慢来。”

掛断电话后，贾瀞雯把笔记整理成文档，列印了五份。

第二天开会，她把陈浩的话转述给团队。

“陈总说，第一版可以粗糙，但要快。”她看著五张年轻的脸，“我们不求完美，但求可用。”

李明眼睛一亮：“这就对了。

我们总想一次做到最好，结果越想越不敢动手。

其实可以先做个最简单的版本，能跑起来就行。”

“对！”张涛一拍桌子，“爬虫可以先从几个固定的网站开始，比如新闻网站。

这些网站结构规范，容易抓取。

分词可以先做基於词典的简单版本，复杂的以后再说。”

团队的气氛活跃起来。