ef=＞标签里，用正则表达式可以提取。”
贾瀞雯打断：“正则表达式是什么？”
“一种文本匹配的方法。”陈浩解释，“比如你要找所有以‘http://’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。
每个访问过的链接都要记录下来，下次遇到就直接跳过。
还要设置深度限制，不能无限爬下去。”
贾瀞雯飞快地记着。
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，“这个他们觉得特别难。”
电话那头沉默了一会儿。
“这个确实难。”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，“一是基于词典，把常用的词做成词典库，然后匹配。
二是基于统计，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。
搜索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，别被技术细节吓住。
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。”
挂断电话后，贾瀞雯把笔记整理成文档，打印了五份。
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。”她看着五张年轻的脸，“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。
分词可以先做基于词典的简单版本，复杂的以后再说。”
团队的气氛活跃起来。
年轻人就是这样，不
本章未完，请点击下一页继续阅读！