🤚🏼 🛴 📩 サイトでの検索は、サイトでの検索だけではありません 🌍 🚣🏼 🐺

すべてのサイトにスタンドアロンの検索モジュールが必要なわけではありません。サイトに5つのページがある場合-検索は不要です。サイトが月に1回更新されるか、すべての更新が表紙に反映される場合、GoogleまたはYandexからサイトで外部検索を実行できます。ただし、一部のタスクは外部検索では解決できません。この記事では、組み込みの検索モジュールが実行できる機能について説明します。また、これらの機能の一部は検索プロセスに直接関係していません。

Yandexがどのように知らないか

大規模な検索エンジンは、関連性、検索スパムの計算、形態およびその他のランキングの分野で長年の経験を活用する機会を提供します。しかし、外部の検索エンジンがその「外観」のために対処できないタスクがあります。

インスタント再インデックス

サイトに記事を追加しました-それはすでにインデックスにすぐにあり、検索に利用可能です。あなたはわいせつなコメントを削除しました-そして誰もそれを見つけません。サイトにグローバル検索エンジンを使用した検索フォームがある場合は、数週間にわたってインデックスの再作成を待つ必要があります。組み込みの検索モジュールを使用して、「追加」、「変更」、または「削除」のイベントによってサイトフラグメントのインデックスを再作成できる場合、アカウントは数分または数秒になります。

同義語

製品の名前は、ロシア語で「netcat」、「netcat」、「netket」と書かれていることがよくあります。 Yandexには、そのような要求に対してNetCatが書き込まれているページを表示する必要があることはありません（要求 "netcat"を除き、Yandexはそれを認識しました）。「CMS-CMS、Tsmska、Siems」などのケースについて何と言えますか。また、組み込み検索に同様の同義語を明示的に設定できます。

インデックスページの禁止の柔軟な設定

robots.txtファイルにDisallowステートメントを記述できます。これにより、外部検索エンジンがサイトの特定の部分をインデックスに登録することを防止できます。検索エンジンに侵入する個人情報を含む夏のスキャンダルが示しているように、これは常に役立つとは限りません。ただし、これを考慮しない場合でも、許可されない構文は非常に原始的であり、禁止された領域を正規表現で指定する方がはるかに適切です。例：ページsloniki.html？Action = addは、管理者が対応するページにコンテンツを追加することを目的としており、見出し「Pink Elephants」と承認フォームのみがある場合でも、インデックスに入る可能性があります。しかし、なぜ検索結果を散らかすのでしょうか？

入力時のクエリオプションの自動一致

リクエストを入力するときにYandexまたはGoogleが表示するドロップダウンリストは誰もが知っています。しかし、このヒントは最も人気のあるクエリのリストにすぎません。ただし、内部検索では、一般的なクエリだけでなく、入力クエリに適合するページタイトル（つまり、ドキュメントの名前）も読み込むことができます。「ピンク」の入力を開始すると、このフラグメントが含まれるタイトルタグのコンテンツのリストが表示されます。必要な「ピンクエレファント」をクリックすると、検索結果ではなく、探しているページがすぐに表示されます。

柔軟な再索引付けスケジュール

私たちのサイトが大きい場合、その完全な再インデックス付けには多くの時間とリソースがかかります。しかし、「フォーラム」セクションのインデックスを1時間ごとに、「ニュース」を毎日、そして「会社について」のインデックスをまったく作成し直す必要がない場合は、そうするのがよいでしょう。内部検索では、セクションごとに異なるスケジュールを設定できます。もちろん、サイトマップではchangefreq属性を使用してインデックスの再作成の頻度を制御できますが、YandexとGoogleがアクションの指示として私たちの望みを認識することはほとんどありません。

そしてまた：

検索エリアの表示（たとえば、どこでも、フォーラムのみで検索）
オブジェクトから追加の属性を抽出し、それらを検索します（そのような著者のすべての記事、この価格帯のすべての製品を検索します）
関連性だけでなく、日付による検索結果の並べ替え（Habréと同様）

...検索だけでなく

ビジネス検索モジュールは、その直接的な責任だけでなく、他の社会的に有用なタスクも実行できます。以下に例を示します。

sitemap.xmlの自動ビルド

ローカル検索ロボットでない場合、外部検索エンジンのサイトページの完全なリストを作成するのに最も注意を払うのは誰ですか？同時に、サイト構造のレベルで、セクションごとに異なるchangefreqおよびpriorityパラメーターを設定できます。

壊れたリンクを検索する

存在しないページへの内部リンクを検索するには、少なくとも2つの方法があります。 1つは、誰かがそのようなページにアクセスするたびに、ページとリファラーのアドレスを含むレターを送信する（またはサイトデータベースにメッセージを追加する）404エラーハンドラーを記述することです。 2番目は、これを検索ロボットに任せることです。これは明らかにより正しい方法です。

クエリ統計収集

検索エンジンがクエリとその結果に関する統計を収集する場合、このデータは非常に役立ちます。まず、ユーザーが何も見つけられないクエリを確認し、対応するページを追加します。次に、よく見られるタイプミスを確認した後、同義語の辞書に追加できます。第三に、ページが頻繁に検索される場合、検索なしで見つけることは困難です。メニューに追加する価値があるかもしれません。まあなど。

ところで、別の項目は、特定の登録ユーザーのリクエストに関する統計です。私はあなたに彼らに従うことを勧めるとは思わないでください:)

「長老」に遅れないでください

これらの機能はすべて、検索が本当に便利で、必要なものを探していて、簡単で使いやすい場合にのみ有効です。したがって、当社の検索モジュールは、大規模な検索エンジンが行うことを実行できる必要があります。彼らと同じように。まあ、またはほぼ同じ。

完全な形態

多くのローカルのワードフォーム検索エンジンは、停滞します。この用語は、語根を見つけようとして単語の終わりを破棄することを意味し、その結果、単語が形成されます。「ピンク」という単語を取り、ステミングを適用し、「バラ」を取得し、この「ルート」で始まるすべての単語を単語形式と見なします。したがって、「ピンク」のリクエストに応じて「ピンク」、「ピンク」などが見つかりますが、ステミングはあまりにも多くのエラーを与えるため、たとえば、孤立した動詞（「go-go-go」）には適していません。形態辞書は、単語形式の最も正確な検索を提供します。家庭用またはビジネス用のテキストの場合、それらはそれほど大きくありません（NetCatはaot.ruからの無料の辞書を使用し、ロシア語と英語の辞書を合わせて15メガバイトしか使用しません。。

ちなみに、この機会を利用して、phpMorphy 形態分析ライブラリの作成者に感謝します。

ファイティングタイプミス

タイプミスに対処するには、2つの方法があります。最初の方法は、Yandexと同様に最も類似した単語を見つけることであり、2番目の方法は、ファジー検索を使用することです。

ただし、キーボードレイアウトの修正は非常に簡単です。

エキゾチックなケース

次の機能は、エキゾチックな性質や複雑すぎるため、検索モジュールには含めませんでしたが、場合によっては役に立つかもしれません。

RTL言語と象形文字

ヨーロッパ言語（ロシア語を含む）には、左から右（左から右、LTR）に書く方向があります。しかし、アラビア語のスクリプトは逆の方向に書かれています。あなたのプロジェクトがこの言語の聴衆を対象にしている場合、書く（または既製の）ステマーを接続する準備をしてください。通常、象形文字は別のケースであるため、単一のステマーではできません。

制限区域を検索

インターネットプロジェクトでの権利の差別化のシステムは、かなり偏執的なものも含めて異なります（これについては、別の記事を書きたいと思います）。複雑なオプションの例：公開システム。ジャーナリストは、記事を追加する権利を持っている場合があります（特定のセクションで！）そして、編集者によって調整されるまで、その修正。編集者は、対象のフレームワーク内のすべての資料を表示、修正、有効化/無効化する権利を有します。編集長は、商業部門の承認なしに注文された記事を調整する権利がありません。権利差別の偏執的なシステムの観点から、理想的な検索モジュールはプロジェクトに投稿されたすべてのコンテンツのインデックスを作成し、検索中にユーザーの権利をチェックし、ユーザーがアクセスできる資料のみを表示します。同時に、ドキュメントステータスによるフィルタリングが可能になります。

ページトピックを自動的に検出する

テキストのインデックス付きページを分析することにより、ある程度のエラーを含む主題を特定することが可能です。このような機能の有用な効果：素材の自動カタログ化とタグクラウドの構築、コミュニティまたはその個々のメンバーの関心の分析（UGCプロジェクトの場合）、関連素材のリストの構築（「参照」ブロックを参照しましたか？）ほとんどの場合、このような分析はコンテキスト広告を対象とするために使用されます。

これには、検索結果のキャッシュ、画像検索、フォームまたはajaxへの入力によって生成されたページのインデックス作成、重複ページの検索も含まれます。

この記事を書いている過程で、検索エンジンの別の興味深いアプリケーションが思い浮かびました。たとえば、集合的なブログやメディアに適しています。さまざまな著者のテキストを分析することで、さまざまなパラメーターに従って評価を構築できます。最初に頭に浮かぶのは、語彙です。さらに、著者の評価-コレリック（感嘆符を他の人よりも頻繁に使用する）、長い推論の愛好家（疑問符が好き）、寄生虫などによる Habraadministrationが似たようなことをすることをお勧めしますか？ :)確かに、私はまだそのようなおもちゃの商業的正当化を考え出していない。

検索を書くと...

...最初に質問に答える必要があります。必要か、既存のソリューションを使用する価値があるか： Yandex.Server 、 Sphinxなど。独自の検索エンジンの主な利点は、サイトで使用される他のCMSモジュールとの緊密な統合の可能性です。管理パネルに管理インターフェイスを埋め込むだけでなく、権限の差別化、構造、ユーザーなどの管理システムとの統合についても説明します（これについては既に書いています）。

テクノロジーに関しては、十分な柔軟性と強力なプラットフォームがあります。デフォルトのNetCat検索エンジンはZend_Search_Luceneを使用します。このソリューションには、たとえば、速度が比較的低いという欠点があります。私たちの場合、これはNetCatのサイトが追加のコンポーネントをインストールすることなく標準のUNIXホスティングで動作し、Zend_Search_LuceneがPHP以外を必要としないという事実によって正当化されます。公平には、モジュールを拡張可能にしたことに注意してください。つまり、辞書だけでなくソフトウェアコンポーネントも置き換えることができます：プロジェクトが十分に大きく、サーバーが専用である場合、情報の保存と取得、インデックス作成、および基本的なフォーム変換を担当するコンポーネントを置き換えることができますなど。たとえば、同じSphinxまたはSolr （および必要に応じてYandex.XML ）を使用します。

ユニバーサルCMSではなく、特定の大規模プロジェクトを開発している場合、最適なプラットフォームを選択して設定することは問題ではありません。その機能を可能な限り効率的に使用する方法を理解することは、はるかに重要です。

この記事のスクリーンショットはすべて、当社のウェブサイトとその管理システムで作成されました。

サイトでの検索は、サイトでの検索だけではありません