Bruce » Baidu

请李彦宏读MBA

Bruce — Sat, 23 Jan 2010 01:59:39 +0000

21世纪经济报林军

李彦宏是一个历史感蛮强的人。2010年1月12日，百度被黑后，李彦宏在百度李彦宏贴吧里发出了“史无前例，史无前例啊”的感慨。

在2010年1月，随着首席运营官叶朋和首席技术官李一男的离去，而在此之前的半年，有贴吧之父美称、百度创业元老、公认的产品狂人俞军也挂冠而去。李彦宏不自觉地创造了另一个史无前例：那就是在上市5年内，整个高管团队的大多数都离去，而且是两次。

2005年，百度在上市之后出版了一本名为《相信中国》的企业传记。到2007年底，这本传记封面上的5个公司高层只剩下李彦宏留在公司。第一个离开百度的是首席技术官刘建国，他也是百度的第一名员工。2007年3 月，负责文化建设的公司副总裁梁冬辞职，他曾为百度品牌的推广立下大功。一个月后，公司首席运营官朱洪波辞职。朱洪波原本是用友公司副总裁，在2002 年以职业经理人身份加入百度，负责公司整体运营。最大的一场意外发生在2007 年年底，12 月29 日，百度首席财务官王湛生在海南度假时意外去世。此前，王湛生是百度名副其实的二号人物，百度在资本市场被热捧其出力甚多。

2008年，随着叶朋、李一男的到来，百度高管团队重新成型，但一年多后，这个管理团队又开始上演新人送旧人的桥段。

中国互联网的领导性公司中也不乏人去人散，潮起潮落的样板：比如新浪，但这更多是因为新浪在曹国伟入主前不知道谁是他的主人。再比如网易和搜狐，这是两家产生新互联网创业公司最多的明星企业，但即便如此，这些互联网公司的核心团队依旧稳定，其出走的频率和级别与百度相比相差甚远。

而与百度并称为新三大互联网公司的腾讯和阿里巴巴，都是以高管团队稳定著称，尽管曾李青和马化腾，孙彤宇和马云之间被外界猜测有这样或那样的貌合神离，但这些更多停留在猜测层面，至少在公众层面，他们都在努力和真诚的维护着对方。相对来说，离开百度的高管不仅数量众多，而且多有怨言。

也许有人说，李彦宏没有马云这么能忽悠，能表达，因此，拢不住人，但这个说法无法解释同样沉静如水的马化腾为什么能保持腾讯这么好的高管流失率。你还可以说，李彦宏开始更多关心流量和收入，因此给予运营和技术太多的压力，但这个说法无法解释同样强势甚至只关心资本运作的陈天桥为何也能保持创始团队的始终如一，就连曾经出走的瞿海滨也回归了。

不断有人和笔者说起，Robin(李彦宏)其实是一个追求简单的人，他更希望自己的产品简单，公司简单。但问题是，管理一家上市公司从来不是一个简单的事情，更何况这家上市公司如此的不简单。

首先，从产业位置来看，搜索引擎是整个互联网产业的最上游，百度的绝对领先地位甚至让它失去约束。而百度的文化信条里也缺乏Google 的不作恶的基因；相反，诸多潜规则让百度留下了坏名声。这很大程度上考量着李彦宏的管理能力。

其次，百度是一家与信息安全息息相关的公司，其特殊性不言而喻，这无疑让这家公司的对外的政府关系和对内的企业文化建设要比同行要多得多，偏偏而这并不是李彦宏所长，也不是他喜欢的。

再次，百度是一家公众关注度被放大的公司，即便其市值和号召力其实超不过腾讯和阿里巴巴，但其处于首都，被太多人关注和聚焦，这家公司的人和事，都会成为媒体关注的话题。

一句话，今天的百度无法成为一家安静和自我的公司，一家李彦宏希望的简单公司。

熟悉李彦宏的人都在感叹，Robin在变，他能坐到中央电视台春节晚会的演播大厅里，尽管付出不菲的代价；他也和创业之初那样开始积极地接受媒体采访，尽管当年的真诚已经不再；他开始有序地对外发表自己的观点，他甚至同意出版了诸如《壹百度》这样的出版物，但他内心中的骄傲和自我，其实从来不曾离去。在当下的中国互联网，显得如此的与众不同。

重视产品体验的马化腾让腾讯的每个人都以做出最牛的产品，得到Pony(马化腾)认可为荣而形成巨大的向心力；通晓读心术的马云善于价值观的灌输和提炼，他让阿里巴巴的每个人都深信他们所做的事情是天底下最大的事情。二马的公司，就连员工都万众归心，更别论高管的抵死相随。

百度则不然，一方面，百度的业务相对单一，员工的成就感和归属感相差甚远。更重要的是领导人的领导力与二马还是有境界上的差距。一位早期百度的员工曾经讲过这样一个段子，他曾经接到一个电话，电话里是李彦宏的声音，大致是生日祝福的话，当得知公司CEO记得自己的生日，该员工狂喜，但最后发现是电话录音，喜悦随即降落成冰点。相比马化腾星夜给产品经理在QQ上发信息指点迷津，相比马云以白雪公主的扮相惊艳登场，我们的李彦宏在激励人心上相差甚远。

我们经常说事业可以留人，但问题是，互联网是个泡沫四溢的行当，单纯的事业留人其实不具备太多的吸引力，至少李一男看来，百度的平台虽然大，但未必比得起12580。更重要更有效的手段是需要感情留人，但对于冷峻的李彦宏来说，既然能当年送走了徐勇和刘建国，那么今天的叶朋和李一男又何需付出更多的感情呢？

李彦宏曾经总结过他的管理经验，用最好的人，给最大的空间，让他干他最喜欢干的事情，成就最大的事情，这无疑是事业留人的最好解释，但如果把事情做成后呢？就不需要激励和心理上尊重吗？答案是否定的。

百度是个足够牛的公司，李彦宏也注定成为我们这个时代最有影响力的商界领袖之一，但就管理提升来说，崇尚简单而追求自我的李彦宏也许该去读一个MBA。尽管，我实在想不出来，谁可以当他的老师来着。但这个真的有必要。

我们应该相信什么（孙云丰）

Bruce — Wed, 20 Jan 2010 07:07:40 +0000

孙云丰：

孙云丰，男，百度首席产品设计师。2004年加入百度，一直从事搜索引擎相关的用户需求分析和产品设计工作，算得上是对用户需求了解程度最深的几个百度人之一。目前任百度首席产品设计师一职。

正文：

因为我一说话就被人强制的冠以“百度”的定语，所以我就不再就Google的话题置喙了。但是除此之外，还是得罗嗦两句。

首先是所谓关掉帖子，只是将它”仅向好友开放“了，而不是删掉。好友中自然也不乏观点异议者，但这不阻碍有思辨的交流。

其次是有很多朋友对我表达了关心。很感谢，但不必担心。我对于各路谩骂，基本视若不见。很多人好奇，为什么面对铺天盖地的辱骂不在乎呢？这个很简单，这些辱骂实质均与我无关，心下坦荡荡，干嘛要介意？更何况我已经在帖子里说了，原骂送回，围观者随意。鲁迅说的好，辱骂与恐吓绝不是战斗。

第三是诚恳的向上门叫阵的兄弟掉一段书袋，语出哈耶克的《自由秩序原理》（哈耶克是谁？这个…我就无能为力了…）：

所谓”强制“，我们意指一人的环境或情境为他人所控制，以至于为了避免所谓的更大的危害，他被迫不能按自己的一贯的计划行事，而只能服务于强制者的目的。除了选择他人强设于他的所谓较小危害之情境外，他既不能运用他自己的智识或知识，亦不能遵循他自己的目标及信念。强制之所以是一种恶，完全是因为它据此把他人视作一无力思想和不能评估之人，实际上是把人彻底沦为了实现他人目标的工具。一个人不受制于另一人或另一些人因专断意志而产生的强制状态，常被称为”个人”自由或“人身”自由的状态。

之所以引这段文字，只是想和叫阵的兄弟说，你们离你们口口声声自表的东西十万八千里。你们一方面言必称自由，并将Google视为通达理想的工具；但另一方面，却又在切切实实的制造另一种和自由完全相悖的原教旨主义，而这种不容任何异议，只听凭自己毫无逻辑的感情行事的做派，实质是比tg的管制更为危险的专制。我知道大多数人会对此嗤之以鼻，但如果能让一两个人有所思，也就值了。

最后贴一个博客地址：http://semwatch.org/。对自己有那么一点高要求的G粉，也许可以去看一下。这里的分析，对于热血灌顶，涕泪横流，如丧考妣的兄弟，也许能起到一点清醒作用。

这个地界是我的个人地盘，所以我要端茶送客，清扫垃圾了。我有让我的私域保持秩序和不被侵扰的自由。

儒家真是正统吗？狗屁。帝王们满口的仁义道德，克己复礼，但真正惦记的是君君臣臣父父子子，“万乘之主，千乘之君，所以制天下而征诸侯者，以其威势也”。孔夫子就是史上的最大杯具，好端端一可爱老头，楞是被帝王将相们弄成愚民工具。

共产主义思想真是主轴吗？狗屁。元首们满口的为人民服务，但真正惦记的是如何让自己生前身后更有保障。说你行，你就行，不行也行；说你不行，你就不行，行也不行。马恩地下有知，如何面对斯大林、布尔波特这些徒子徒孙？如何面对社会主义国家无产阶级的跳楼讨薪？

西媒真是公正客观吗？狗屁。那只是媒体大亨们的价值观体现，背后站着各种政治和金元势力。他们互相之间可以有不同的观点，互揭短长。而一旦涉及到共同的利益点，则集体噤声或者扭曲事实。BBC和WSJ传递了人类的良知？呵呵。黑夜给了我黑色的眼睛，我却用它来围观小白。

清廉是靠道德搞定的吗？狗屁。让官员围观n个清官戏，围观贪官被腰斩，围观红楼黑楼，都丝毫无助于问题的解决。而天天树楷模，喊口号，更是愚民的典范。让群氓醉心于天上掉下个包青天，醉心于最高领袖的英明神武，而不思从根本的制度上进行改良和执行。

商业道德是靠自吹不作恶维系的吗？狗屁。任何一个上市商业公司，股东都是最大的指挥棒。商业企业再牛逼哄哄的道德说教，都是在利益还没有大到一定程度时候的公关言论。商业企业必要的商业道德靠什么树立和维系？监督，法治和健康的市场机制。汉兰达爬坡车主们的愤怒为什么得不到伸张？不是企业道德败坏，也不是媒体没良心，而是这个社会缺乏必要的制约机制。

车主们应该寻求这个国家，这个社会的制度改良，而不是企盼企业和媒体良心发现，来施舍点滴恩惠。人们如果将企业的逐利和没良心看做一种常态，而把必要的机制制约看做一种解决问题必要条件，那么面对各种不爽的时候，才有从根本上看清问题、解决问题的可能。否则，只能天天忙乱于头痛医头，脚痛医脚，隔靴搔痒，永远在祥林嫂似的哀叹里悲戚和沉沦。

任何将希望寄托于圣人、寄托于个体道德自律的想法，都是在我中华上国泱泱几千年的奴化教育下的产物——作为统治者，他只有让群氓相信，这个世上存在全知全能的天子圣人，全心全意为民服务的企业，一片冰心向玉壶的清官，他才有让群氓服服帖帖听命的”天赋治权“——我是圣洁的全能，你把一切都交代给我，信我得永生，满血立地轮回。

米国人会相信这些吗？米国开国宪法清晰的界定了立法、行政和司法的分立，并对各类权力做出了严格的约定和限制。这个宪法的恪守，使得这个国家可以在没有圣人的情况下，也能有一棒棒安稳的传接。开锅元勋杰弗逊说，最好的政府是管事最少的政府。这样才能最大可能的在行使公权的同时，规避权力寻租。政府如此，企业也一样。米国人会相信一个企业自称是圣徒，而失去对这个企业的警惕和省察么？笑话。

西方的政府、企业，就是在这样的逻辑上建立起来的。但很奇怪的是，在21世纪向东方发展中国家输出的价值观里，却有那种四六不靠的、无法证伪的、和李老师的真煽忍有一拼的“不作恶”。谁能告诉我，什么是恶？到底是某人的价值观，还是某企业员工的价值观，还是某企业股东的价值观，还是某国家和社会的价值观？内涵究竟是什么？为什么克林顿夫人如此迫不及待的摇旗呐喊？看指挥棒挥处，群氓拜服，无数人如丧考妣，哀嚎献花。情何以堪？路边死了头驴，路人围观，有好意思不分青红皂白的拥入哭喊”那是我爹“的么？

当年进入中国，号称是拯救万民于水火之中，不惜自宫，这是伟大的圣徒精神，我也就认了。麦田守望者说，一个男人成熟的标志在于他甘愿为某件事业卑贱地活着，感人。但现在嚷嚷撤出中国，又称是"危邦不入，乱邦不居。天下有道则见，无道则隐"，仍旧是大圣人。都站了三年街了，现在在天桥上口诵”爱情诚可贵，生命价更高，若为贞洁故，两者皆可抛“。有这样玩的么？

更无语的是，闹剧以施老师宣布“We love China and Chinese people”告终。按马三立老爷子的话，叫做“逗你玩儿”。你真会以为这是“Evil”的TG政府向“Holy”的美国圣徒臣服达成协议所致？借用前core的箴言，“too simple，sometimes naive”！

我既不为张三辩护，也无意于对李四横生枝节。只是我有眼睛，你也有眼睛。我有我的价值观，你也有你的价值观。大家的智商都那么点，谁也不比谁聪明。你愿意以头抢地，我也没意见。只是于我而言，借用Michael Corleone的台词：

Only don’t tell me you’re innocent. Because it insults my intelligence and makes me very angry.
转型中的中国社会，有太多的问题。但这些问题的解决，怨天尤人是没用的，求神仙皇帝的恩赐也是没用的，一切靠你我的眼睛去发现，靠你我的大脑去思考，靠你我自己的双手去解决。

百度首席产品设计师孙云丰演讲

Bruce — Wed, 20 Jan 2010 01:48:30 +0000

新浪科技讯 2009年8月18日，2009年百度技术创新大会在北京中国大饭店召开，大会上百度邀请中国互联网技术专家和投资人士，以及互联网技术爱好者，共同探讨互联网技术和未来发展。新浪科技对此次会议进行全程直播报道。

图为：2009年百度技术创新大会搜索技术趋势分论坛，百度首席产品设计师孙云丰演讲。

以下为实录：

孙云丰：大家下午好，我是孙云丰。我今天下午演讲的内容主要是从用户需求的角度，来介绍一下搜索引擎目前面临的一些主要问题，以及我们对于解决这些问题目前的一些新视点，现在秀几个数据。

这张图是过去十年，中文互联网，中文用户的增长情况。大家可以看到，从2000年1月份，到2009年7月份，这个中文互联网用户大概增长了38倍。而这个数据是中国互联网过去十年的网站数量的增长情况，我们大家可以看到，这个数量大概是增长了20倍。那么这两个图的趋势是非常相似的，大家可以看一下。再看一下第三张图，这个图是SE做的统计，04年第四季度，到09年第一季度，中文网页搜索次数增长了一个需求。根据百度的统计，从04年到09年，中文网页搜索请求的次数增长了20倍，大家留意，是过去五年增长的20倍。

在这个搜索引擎市场飞速发展的过程当中，我们说这里面面临着什么样子的问题呢？接下来我来做一个解释。我小结了一下，主要是四个问题。

一：搜索需求的数量激素膨胀；

二：用户搜索需求满足方式的复杂化；

三：用户搜索行为越来越趋于“傻瓜化”；

四：互联网上的有价值资源获取难度越来越高。

现在来看一下搜索需求的越来越趋于多样化，根据我们的统计，从04年到09年过去的五年，中文网民搜索的数量大概增长了10倍左右，这个是三个问题，代表的是过去的若干年中，有趣的用户形态。第一个问题代表的是06年开始发展的在线视频的搜索需求，这是一种新的信息载体。第二个就是看上去非常的长，这里边体现了用户对于搜索引擎非常高的期望值，他希望搜索引擎解决的是非常复杂的问题，而这种问题用三两个关键词可能是解决不了的。第三个问题大家可以看到的是非常奇怪的，这样的搜索结果是非常多的，他体现了用户对于搜索引擎的一种新希望，这种希望是什么呢？我希望搜索引擎给出一种智能类的决策，而不是简单的给我返回几个关键词匹配的结果。那么这样子的需求实际上已经超出了传统的搜索引擎所解决的问题的范畴。

接下来看这三个问题，这三个问题用户所要找的就是同一个问题，就是日全食发生的时间。第一个问题的需求表现的是不完整的，他没有时间的关键词。那么第二个问题实际上是一个景点的表述。第三个问题就是自然语言类的表述，他直接把搜索引擎当作了一个自然人，向搜索引擎做出了提问，这是更多的需求。

第三方面就是搜索引擎现在大家知道，是平台多样化的问题，从2009年以来，3G现在已经成为一个热点了。这样的情况下面，不同的平台上面，用户的搜索需求是不一样的，今天下午是一个专门的论坛，这边就不仔细的展开了。

那么面临的第二个大的问题是什么呢？我们称之为用户搜索需求满足方式的极度的复杂化。我们看一下过去是什么样子的，过去用户的搜索需求满足的方式实际上是非常的简单的，那么这里边我列了两个例子，第一种是网址类查询，在过去的五年当中，这个比例下跌了大概是一半，从30%下跌到15%左右。

第二个例子是什么呢？过去用户的搜索需求并不高，经常是一些景点的匹配就可以满足用户的需求了。举个例子，降龙十八掌第一掌是什么？我们给出一个结果就可以了。到现在面临着什么问题？现在的趋势很复杂。搜索只是用户需求满足过程当中一个必要的环节，而不是最关键和唯一的环节，以购物需求为例，用户是要买到这个商品，消费这个商品，这个时候他才得到了他想要的东西，而搜索在这个过程当中，我不管是寻找这个商品还是了解相关的价格，还是了解相关的商家，这个过程当中，他只是在需求满足过程当中的前奏环节。那么后边的话可能有支付，可能后面还有物流，还有售后。如果这些问题都产生的问题的话，他都会导致用户的需求最终没有得到满足，在目前我们的搜索需求当中，这样的比例越来越高。

第二个，我们留意到从过去用户对于整个搜索结果的时效性的要求越来越高。那么在过去，大家把一个互联网当作了一个静态的数据库，所以对时间的要求并不是很高，但是随着这个搜索引擎越来越为大家生活当中的一部分的话，他们对这个期望值越来越高，就是现在发生的事情，我马上就要通过互联网了解到这个事情是怎么回事。

举个例子，前阵子湖南卫视做的快女节目，其中一个选手叫曾轲可，她被PK下去的时候，她说她想骂人。电视节目发生的时候是零点45分，在零点46分的时候，网上就有网友问她想骂谁，只有一分钟而已。

第三个典型的问题是什么？对于搜索结果需求满足的要素，他需要一个全方位的要求，而不是单独的一个方面。全方位构成了整体需求的满足。举个例子，比如说招聘需求，就是用户在搜索引擎当中寻找一个职位，比如说Java程序类，那么仅仅把职位信息提供给用户是不够的，那么这个用户的潜台词是什么呢？他的潜台词需要知道我这个职位的时间是不是最新的，他是去年的招聘职位还是前年的招聘职位，还是上一个月的招聘职位。他还想了解到我想找的这个职位地点是在北京还是在上海，他实际上是有一个潜意识的，那么你给出来的东西是不是符合他的要求。

第三个问题，比如说他对于这个薪水实际上是有潜意识的认知的，比如我现在就要求5千块钱的月薪，那么你给的这个机会到底是多少月薪呢？他这些东西都不会体现在问题当中的，那么我们如何对这个用户进行全方位的满足，这是我们面临的一个问题。

第四个我提到的一个问题是什么呢？就是多元的信息的表现元素。这个谈到了什么问题呢？我们知道搜索引擎在过去的问题是，不管是文字的问题还是文字的摘要，为用户提供信息的指引。但是现在用户的需求是不局限于此的，不管是图片、视频、Flash还是人际交互的元素，越来越体现在搜索引擎，他们都对搜索引擎起到了非常关键的影响。

那么第三个问题是我叫他叫做搜索行为的傻瓜化。说道这个问题，我想说在很久以前，大概五六年以前，我刚刚加入百度的时候我希望现在的搜索引擎很强大，我们是不是能够借助于教育用户，使得用户能掌握精神的搜索技巧，使得他们的搜索体验能够得到更高的满足呢？当然我们努力了一阵子后来我们放弃了，我们发现这个东西是逆势潮流。我们现在发现的潮流是用户越来越倾向于用他们自己直接想到的词搜索，他们不会多加思考。我们所想象的那种说是非常精妙的关键词构造，一击命中的行为在用户当中非常的少见。

举几个例子，这个例子的话，我称它为“能减则减”“123”，用户123他们到底想做什么，实际上要找的是网址导航网站“hao123”，他把“hao”给省略掉了，只打“123”。第二个意思非常有意思，文科女为什么要瞧不起工科男，很有意思，他把搜索引擎当做一个自然人，直接向搜索引擎发出提问，这样的比例越来越高。第三个问题越来越长，不管是什么原因导致的，总的来说用户搜索的形式越来越多，越来越复杂，这里面一共是25个汉字，这样的形式在我们的比例里面比比皆是。

接下来分享一个数字，这个是我们对网页搜索的长度进行了一下简单的分类，左边的两个数据是从搜索次数来讲，右边的两个数据是从问题来讲，大家可以看到，在整个的数据查询当中，他们占到了大概50%，而搜索次数角度大概占到了将近30%，可想而知，我们现在所面临的需求处理的复杂化是非常复杂的。

接下来是第四个问题，有价值的资源，他的获取难度越来越高。那么在过去的话，整个的互联网这种网站结构是扁平的，互相之间链接，静态页面链接，非常简单。我这个只要用经典的方式爬，总能够爬回来，但是现在非常的复杂。他使得网站的结构非常的纵深，并且那些链接的构成，既有功能链接，还有很多由于系统程序的原因导致的垃圾链接，这样的情况下，一个需求如果陷进去的话，基本上有的时候有走投无路的感觉。那么第二个问题是现在很多平台型的网站，这些网站很多的数据都是相对的孤立的，我们找不到一条线给串起来。比如PSP平台的Blog，或者是类似校内网，这些页面之间实际上是没有关联的，相对独立的。

第二部分就是面临的获取难度，就是我们一般所谈的“暗网”，我把“暗网”分成了四个部分，第一个部分是网上存在，但是没办法获取。就像写反的查询，这个数据的话，我们是没办法获取，因为要收费。第二个问题是网上公开，但是非常难以获取的，这个是我们常说的一种经典的，像北大的图书馆的数据，他是公开的，你也可以查的，但是搜索引擎是非常难以获取的。那么第三个问题，我们经常说的现实中存在，但是没有上网，如果有一个数字图书馆的计划，按照我的理解，他们现在做的就是这一块，如何把现实当中存在的信息给数字化。

第四个问题更为庞大，人脑中存在的问题，仍然没有记录下来。我们可以想象一下，整个互联网我们现在可以看到的信息，和我们每一个人里面如果所有的信息加起来，这里面的参考因素，我们如何把用户大脑当中的信息给挖掘出来，把他给显性化，并且呈现给其他人，这是我们面临的很困难的问题。

刚才前面的话简单的就是列了四方面的问题，需求的膨胀，需求满足的方式复杂化，用户搜索行为的傻瓜化，自由获取的难度。这里面我简单的列了一下，就是搜索引擎，就是针对这些问题我们所能想到的一些新的视点，这些新的视点有一些可能也是老生常谈，比如自然语言的处理。但是到了搜索引擎发展到这个阶段之后，这些经典的问题，他们又重新焕发了青春。

第一个问题是我们认为搜索引擎接下来所要做的是什么呢？是精准的需求识别。我们知道，过去的搜索引擎做的只是一个文本的匹配，我们越来越觉得如何理解用户的需求背后真实的需求，这是我们面临的非常大的难题和挑战。

这里面列了两个需求，第一个是太平洋，第二个是很长的需求，第一个太平洋不是找地理上的太平洋，而是找太平洋网，第二个非常复杂。

第二个问题是关于自然语言处理的问题，因为我们现在看到，当搜索引擎有一个象牙塔里面的高级的系统，变成了普通用户的日常工具之后，他整个的表述都是非常的口语化的，接近自然语言状态的。那么这个变成了用户检索当中的常态，这个时候我们应该对用户的语言做怎样的识别和处理，对我们是一个挑战，而且我们认为这个问题接下来会越来越重要。下面是两个例子，大家可以看到，像这样的形式在我们整个搜索引擎面临的形式当中是比比皆是的，并且这样的比例是越来越高的。

第三个是丰富多彩的结果的呈现形式，我们认为为了满足用户的需求，在很多的时候，文字已经不足以能够对用户的需求产生合理的描述。经常我们说一张图片可以代表千言万语，所以大家可以看到，现在搜索引擎当中，不管是图片的元素，还是视频的元素，还是用户互动的元素现在已经出现的越来越多了。这种元素的出现目的不是为了丰富多彩，目的实际上是为了使得用户的需求能够得到更好的满足。

这里边有两个例子，第一个例子是把图片直接插入到结果当中，第二个是搜索引擎把人机交互的界面整合到的结果当中。

接下来一个问题是什么呢？当我们面临越来越复杂的互联网的时候，我们对于资源获取的方式是不是需要有一种新的调整思路？我们过去的话是从互联网上把所有的东西抓进来，那么当我们不管是面临着越来越复杂的互联网结构，还是面临着一些我们原有的方式，无法解决的“暗网”问题，那么我们现在方式应该是什么样子的呢？我们认为过去是把这样的资源拉进来，那么现在我们是不是有一种新的方式，我们通过和资源方有更多的合作，以及发布数据规范，把格式化的数据能够“推”到搜索引擎这边来，实现数据的实时化，以及格式化的处理，实现更强大的搜索效果。

接下来一个问题，谈一下搜索社区。那么我知道，在很早以前，当一个搜索引擎谈到要做搜索社区的时候，在做一些经典的搜索技术的人员看来，这多少有一点“不务正业”，那么在我们看来，搜索社区是什么样子的东西呢？我们认为，搜索社区实际上是搜索引擎认识到我们现在在互联网上的很多资源是稀缺的，我们在互联网上获取不到，但是用户有迫切的需要这些资源，这个时候怎么办？要不然等，要不然自己创造。所以我们希望通过搜索社区构建这样的平台和机制，让用户帮我们把这样子的稀缺资源建设出来。这个时候，他产生的是两种效应，第一种效应是这样的平台直接可以为用户的需求产生满足，比如现在的百度“知道”平台，用户可以在“知道”当中问，有人回答，你的需求可以达到满足。还有一种情况，是你在“知道”当中可以检索，你的需求可以得到满足。但是更大的价值在于什么呢？在于“知道”把它沉淀下来的知识，反扑给网页搜索引擎，从而使得搜索引擎的搜索效应得到更高的提升。那么百度其他的社区类搜索，不管是贴吧还是百科，思路都是一脉相承的。

第六个观点，其实今天上午的罗米克已经提到了，他提到的是“框计算”的概念，我们认为搜索框的后面可以捆绑更多的东西，它能够实现更多的价值。下面那个图就是简单的把罗米克上午说的逻辑框架重复了一遍。相当于未来我们期望这个搜索框不仅仅是一个搜索引擎的入口，它同时是其他的应用的入口。然后在这里边，它能解决的问题是把用户的需求能够有一种智能的识别，并且分发给能够解决这个问题的最佳的应用方，然后使得用户的需求得到一个最好的满足。我们现在知道，现在的话你填进去一个关键词，给出来的是700、800个结果，甚至是几十万个结果，真的需要这么多结果吗？不一定。所以这个也是我们另外的一种思路。
我今天的演讲完了，那么接下来的几位同事，我刚才的话只是抛砖引玉，把我们现在搜索引擎所面临的一些问题勾勒了一下，接下来几位技术专家，他们可能会就其中的一些问题做出一些精湛的阐述，谢谢。

百度被攻击全程记录（独家）

Bruce — Tue, 12 Jan 2010 02:01:13 +0000

百度被攻击了，伤势严重，面子尽失……

新浪科技讯 1月12日早间消息，多地网友向新浪科技反映，从早上7:00左右百度首页无法打开。百度公关部在接受新浪科技连线时表示，还不清楚此事，目前正在查。

今早从7:00左右，陆续有包含北京、辽宁、江苏、四川、安徽、广东、武汉等多地部分地区网友向新浪科技反映百度首页出现无法打开，或者打开后跳转到一个英文雅虎页面。

百度公关部相关人士在接受新浪科技连线时表示，还不清楚此事，目前正在查。(木木)

9:05更新：山东、河北、江西等地网友反映无法打开，有山东网友反映百度首页被篡改为上次Twitter遭受自称“伊朗网络部队”黑客攻击时的情形。

9:20更新：无法访问地区新增河南、云南、山西、天津等地区。

9:35更新：不仅互联网百度无法访问，有山东、陕西、辽宁等地网友反映WAP百度也无法访问。

新浪科技讯 1月12日上午消息，针对百度今日突然无法访问一事，有信息显示百度域名服务器(Domain Name Server，简称“DNS”)被修改至雅虎服务器，而原因是遭黑客攻击或是公司行为暂时无法确定。

百度域名注册商为register.com，根据DNSPOD网友“菜鸟土匪”提供的WHOIS信息，百度的DNS于昨日被修改至YNS1.YAHOO.COM，而此前百度的DNS为DNS.BAIDU.COM，这也是今日百度一些二级域名跳转至雅虎首页的原因。

另外一方面，根据DNSPOD网友“绝食伤心”提供的数据，目前百度主域名被解析到荷兰的IP上。

有业内人士认为，可能是百度在根域名上存在漏洞，被黑客利用更改。截至发稿时，有部分网友反映百度DNS数据已被恢复，不过依然无法访问。

百度方面则表示正在对事故进行调查。

百度域名出现问题和twitter被攻击时手法如出一辙

this site has been hacked by iranian cyber army(本页面已经被iranian cyber army“黑”了)

中国百度搜索引擎疑遭类似黑客攻击，攻击者自称Iranian Cyber Army的组织篡改了百度主页，并留下疑似阿拉伯文字。目前百度网站尚未恢复访问，但攻击的具体原因尚未知晓。

1月12日消息，据中国站长站报道，从7时20分左右，在站长论坛开始出现大批站长发帖，称国内知名搜索引擎百度无法打开。

截至发稿前，百度已经部分恢复正常，百度方面目前没有对此作出解释，表示目前正在对此问题进行紧急处理和调查。百度贴吧出现大量关于宕机的帖子。

8点整左右，热心站长打来电话，称百度已经长达半个多小时无法访问，所有的二级域名全部停摆。

随后编辑登陆网站后台，发现在7点53分已有站长doway投稿，称自己是网通用户，除百度无法打开外，均可访问，用手机登陆Wap.baidu.com也不行。

8点10左右，在各个QQ群内开始有大量站长、网民询问对方是否能登陆百度。截止发稿时，已超过一小时百度仍未恢复访问，像这样长时间大规模的宕机，在百度的历史上也是非常少见的。在2006年9月12日曾发生过一次类似事件。

目前暂不清楚相关原因，欢迎知情站长报料。

8:25 来自北京的站长明亮叔称自己Ping百度显示的是雅虎的DNS

8:27 来自上海的站长ctg称打开百度正常，Ping百度地址显示的IP为119.75.213.61

8:28 热心站长sendmail投稿称百度遭伊朗黑客组织入侵

8:29 热心站长王世伦称百度疑似被伊朗黑客入侵

8:31 来自江苏的热心站长钱先生致电中国站长站表示自己打开百度也访问到了伊朗黑客入侵的页面，随后中国站长站联系联系了这位江苏不锈钢天地网的钱先生，得到了相关图片

8:43 来自福建的热心站长称部分地区的服务器可以查询到数据，百度的域名解析可能出问题，能正常访问百度可能是因为DNS缓存问题。同时他表示用3G上网已恢复正常。但有部分站长访问百度，依旧显示雅虎的DNS页面。

8:45 北京的站长明亮叔称百度在半小时内DNS服务器地址不断的更换，可能是DNS服务器被攻击。

相关事件：据悉去年12月18日消息，据美国科技网站TechCrunch报道，Twitter于美国当地时间周四22点左右疑似遭遇黑客攻击，自称为“伊朗网络部队”( Iranian Cyber Army)的组织篡改了Twitter主页，留下旗帜和警告宣言。

文字内容：

伊朗网络部队

该站点已经被伊朗网络部队攻占

iRANiAN.CYBER.ARMY@GMAIL.COM

美国人认为他们控制和管理着网络，实际上并没有，我们通过自己的力量控制和管理网络，所以不要试图激怒伊朗人民。

现在哪个国家在禁运名单上?是伊朗，还是美国?

我们把他们列入禁运名单

走着瞧

百度遭史上最大规模黑客攻击搜索报障30分钟

天极Chinabyte 9月13日消息(记者迟百)12日晚上11时37分，百度在其百度空间上发表声明，称遭受有史以来最大的不明身份黑客攻击。

百度声明声称，12日下午，百度遭受有史以来最大规模的不明身份黑客攻击，导致百度搜索服务在全国各地出现了近30分钟的故障。从现象分析，这次大规模的攻击应该是有人有组织并精心策划的。百度将配合公安机关对此事进行调查。

百度遭遇黑客攻击正值“极度”事件爆发不久，因此，百度的声明一出，记者就注意到网上有分析认为，百度遭遇黑客攻击也许跟百度近期树敌太多有关。也有分析认为，这也可能是百度试图从被天极网谴责的危机公关事件中转移视线所采取的“障眼法”。(完)

附:百度声明全文

今天下午，百度遭受有史以来最大规模的不明身份黑客攻击;导致百度搜索服务在全国各地出现了近30分钟的故障。

经过百度技术工程师与不明身份的黑客斗争;百度的搜索服务已经在傍晚恢复正常。目前全国网民均可以享用百度一如既往提供的免费、便捷和高质量的搜索服务。

从现象分析，这次大规模的攻击应该是有人有组织并精心策划的。百度将配合公安机关对此事进行调查。

百度公司

2006年9月12日

PS.这是一篇测试文章，内容是随机网络新闻节选。目的是测试碰到热门话题时及时在搜索引擎丢下一粒石子能在你辈心中激起多大的波澜。目前看来情况还不错。小女子在此谢过各位看官，鸟……

百度论坛收录开放协议

Bruce — Sat, 26 Dec 2009 05:21:55 +0000

今天添加上了百度的sitemap插件，等几天看看效果。博文提交，谷歌一般都是立即收录。百度就慢太多了，而且收录页面也很有限，难道是恨我使用的英文版WP?

感兴趣的朋友可以到Demo参观。下载插件请：点击这里

我们一直使用 Google XML Sitemap 插件产生符合国际标准的 sitemap.xml 文件。百度对国际标准的 sitemap.xml 是否支持无法考证，不过百度自己推出了一个互联网论坛收录开放协议：

互联网论坛收录开放协议是百度的互联网论坛收录开放协议的页面，论坛网站可将论坛内发布的帖子制作成遵循此开放协议的XML格式的网页供搜索引擎索引，将论坛发布的帖子主动、及时地告知百度搜索引擎。

百度的互联网论坛收录开放协议的页面详细介绍了生成的 XML 文件的每个标签的属性和说明，所以只要按照它每个元素的描述，就能够给自己的博客制作适合百度互联网论坛收录开放协议的 sitemap 文件。下面是这份协议的一些需要注意的地方：

互联网论坛收录开放协议只是对百度 spider 原有收录方式的一种协助和有益补充，而不是取代。这个和 Google 的 Sitemap.xml 文件一样，我们不能完全依赖他来做 tag/seo”title=”吃这碗饭不容易(*^__^*) ” >SEO，但是可以让百度或者 Google 更好的抓取我们的站点。

XML 文件的大小最大为10M，大于10M的文件百度spider将不能保证正确获取。

请将 XML 文件命名为 sitemap_baidu.xml 并上传到您网站根目录下，并保证文件所在的 URL 地址能够被百度 spider 正常访问。例如，网站为http://brucehan.com/，则将 XML 文件上传至 http://brucehan.com/sitemap_baidu.xml。由于百度没有 Google 一样的 WebMaster 工具，可以让你提交 sitemap 文件，所以需要把 baidu sitemap 的 URL 能够放到一个已经让百度索引的页面上，比如和我一样在这篇日志中列出百度 sitemap 的 URL。

另外百度spider不保证一定能收录您提交的全部内容。

百度还算不错的软文

Bruce — Tue, 22 Dec 2009 02:55:25 +0000

1993年，麻省理工学院学生Mattew Gray开发了世界上第一个爬虫（crawler）程序。这是搜索引擎的开始。到现在，已经过去了16年。从应用创新的角度，搜索引擎已经进入了它的成熟期。

但是，我们可以观察到一个状况：无论是国外的Google、Yahoo，还是国内的百度，从基于关键词的搜索应用的最开始，一直到今天，搜索结果的形态，几乎一成不变。换句话说，对于普通网民，搜索引擎极少改头换脸。

换一种思路对待搜索应用的未来

诚然，搜索引擎的本质是整合、梳理信息，将最有价值的结果呈现给用户。围绕这一点，在过去的很多年，搜索引擎一直在努力提高它前3条结果的满意度，也就是搜索结果的相关性。但我们似乎对此过于执着，乃至有些偏执，而忽视了搜索引擎未来的另外可能。

举个简单的例子，当我们搜索“麻省理工”时，搜索引擎总是尽可能优化其自然语言处理、分词、语义分析流程，并优化排序算法，让最具匹配度的网页链接成为检索结果的第一条链接。但是，且慢，我们重视的是搜索前端的分析、中端的排序，但却忽略了最后一步——结果的展现形式。

这让我们陷入了一个无限循环中，算法的优化总是无止境的，每更新一次算法，下一次更新的难度就以几何倍数的提升。如此下去，自然造成搜索结果相关性的瓶颈越来越窄。

为什么我们不能换一种思路呢，将目光投向结果的展现形式上呢？我认为，这是搜索引擎能够快速取得突破的法门。

百度“阿拉丁”带来的启示

以百度为例，从今年开始，它全面铺开的“阿拉丁”项目，就是在搜索结果的展现形式上做文章。

当我们在百度中搜索“孔子”，第三个结果可以看到《孔子》这部即将上映的电影资料，包括导演、演员、剧情、预告片、海报等等。这显然要比来一条“电影《孔子》的介绍”链接要更有价值。

“阿拉丁”实际上是将之前以网页为信息检索单位，更进一步升级到了以数据模块为检索单位，为用户省去了手动浏览分析的一步，大大提高了信息获取的效率。

如果按照传统的做法，我们需要点击一次搜索链接，再到目标页面中去用肉眼搜寻相关信息，这是一个巨大的操作浪费。假设每一天有10万人通过搜索“孔子”来了解这部电影，每一个人节约10秒钟，“阿拉丁”的上线，至少可以累计节省100万秒。推而广之，这简直就是信息组织的一次革命。

“阿拉丁”给搜索引擎带来的启示就是：搜索应该是解决人们的需求，而不是“寻找最匹配的网页”。这就跟面对一个饥饿的人，你只需要给他一块面包，而不是告诉他一大堆烤制面包的方法。

搜索引擎的新鲜血液

百度在2008年的创新技术大会上提出了“框计算”的概念，这个概念要比“阿拉丁”更宏伟，“阿拉丁”是“框计算”的子集。

我认为，“框计算”的提出，让“阿拉丁”的前景应用开阔了很多，尤其是当各种应用程序接口嵌入到搜索结果时，搜索就变得立体起来——它不再仅仅是资料获取，也可能是服务获取。

比如假设将搜索引擎与在线杀毒应用结合，当网民在搜索框中输入“杀毒”，结果中出现了一个“在线杀毒”按钮，点击一下即可帮助用户扫描电脑，清除病毒。

这绝非天方夜谭。实际上“阿拉丁”已经实现了一些类似的应用，比如火车票查询。

搜索应该以人为本，具有人情味。“阿拉丁”带来的应用实际上最大限度体现了这一点。当在百度输入“yeah.net”时，百度返回的不是yeah.net这条链接，而是一个邮箱登录框，当你看到这样的处理，就会明白搜索引擎的未来究竟在哪。

Robots.txt

Bruce — Fri, 14 Aug 2009 08:15:08 +0000

什么是robots.txt？

robots.txt是一个纯文本文件，在这个文件中网站管理者可以声明该网站中不想被robots访问的部分，或者指定搜索引擎只收录指定的内容。

robots.txt是搜索引擎中访问网站的时候要查看的第一个文件。Robots.txt文件告诉蜘蛛程序在服务器上什么文件是可以被查看的。

当一个搜索蜘蛛访问一个站点时，它会首先检查该站点根目录下是否存在robots.txt，如果存在，搜索机器人就会按照该文件中的内容来确定访问的范围；如果该文件不存在，所有的搜索蜘蛛将能够访问网站上所有没有被口令保护的页面。

robots.txt必须放置在一个站点的根目录下，而且文件名必须全部小写。

语法：

最简单的 robots.txt 文件使用两条规则：

User-Agent: 适用下列规则的漫游器

Disallow: 要拦截的网页

robots.txt使用误区

误区一：我的网站上的所有文件都需要蜘蛛抓取，那我就没必要在添加robots.txt文件了。反正如果该文件不存在，所有的搜索蜘蛛将默认能够访问网站上所有没有被口令保护的页面。

每当用户试图访问某个不存在的URL时，服务器都会在日志中记录404错误（无法找到文件）。每当搜索蜘蛛来寻找并不存在的robots.txt文件时，服务器也将在日志中记录一条404错误，所以你应该做网站中添加一个robots.txt。

误区二：在robots.txt文件中设置所有的文件都可以被搜索蜘蛛抓取，这样可以增加网站的收录率。

网站中的程序脚本、样式表等文件即使被蜘蛛收录，也不会增加网站的收录率，还只会浪费服务器资源。因此必须在robots.txt文件里设置不要让搜索蜘蛛索引这些文件。

网站管理员必须使蜘蛛程序远离某些服务器上的目录——保证服务器性能。比如：大多数网站服务器都有程序储存在“cgi-bin”目录下，因此在 robots.txt文件中加入“Disallow: /cgi-bin”是个好主意，这样能够避免将所有程序文件被蜘蛛索引，可以节省服务器资源。一般网站中不需要蜘蛛抓取的文件有：后台管理文件、程序脚本、附件、数据库文件、编码文件、样式表文件、模板文件、导航图片和背景图片等等。

下面是VeryCMS里的robots.txt文件：

User-agent: *

Disallow: /admin/ 后台管理文件

Disallow: /require/ 程序文件

Disallow: /attachment/ 附件

Disallow: /images/ 图片

Disallow: /data/ 数据库文件

Disallow: /template/ 模板文件

Disallow: /css/ 样式表文件

Disallow: /lang/ 编码文件

Disallow: /script/ 脚本文件

误区三：搜索蜘蛛抓取网页太浪费服务器资源，在robots.txt文件设置所有的搜索蜘蛛都不能抓取全部的网页。

如果这样的话，会导致整个网站不能被搜索引擎收录。

robots.txt使用范例:

1、如果你的网站是动态网页，并且你为这些动态网页创建了静态副本，以供搜索蜘蛛更容易抓取。那么你需要在robots.txt文件里设置避免动态网页被蜘蛛索引，以保证这些网页不会被视为含重复内容。

2、合理使用robots.txt文件还能避免访问时出错。比如，不能让搜索者直接进入购物车页面。因为没有理由使购物车被收录，所以你可以在robots.txt文件里设置来阻止搜索者直接进入购物车页面。

3、robots.txt文件里还可以直接包括在sitemap文件的链接。就像这样：

Sitemap: sitemap.xml

目前对此表示支持的搜索引擎公司有Google, Yahoo, Ask and MSN。而中文搜索引擎公司，显然不在这个圈子内。这样做的好处就是，站长不用到每个搜索引擎的站长工具或者相似的站长部分，去提交自己的sitemap文件，搜索引擎的蜘蛛自己就会抓取robots.txt文件，读取其中的sitemap路径，接着抓取其中相链接的网页。

4、允许所有的robot访问

User-agent: *
Disallow:

或者也可以建一个空文件 “/robots.txt” file

禁止所有搜索引擎访问网站的任何部分

User-agent: *
Disallow: /

禁止所有搜索引擎访问网站的几个部分（下例中的01、02、03目录）

User-agent: *
Disallow: /01/
Disallow: /02/
Disallow: /03/

禁止某个搜索引擎的访问（下例中的BadBot）

User-agent: BadBot
Disallow: /

只允许某个搜索引擎的访问（下例中的Crawler）

User-agent: Crawler
Disallow:

User-agent: *
Disallow: /

另外，我觉得有必要进行拓展说明，对robots meta进行一些介绍：

Robots META标签则主要是针对一个个具体的页面。和其他的META标签（如使用的语言、页面的描述、关键词等）一样，Robots META标签也是放在页面的＜head＞＜/head＞中，专门用来告诉搜索引擎ROBOTS如何抓取该页的内容。

Robots META标签的写法：

Robots META标签中没有大小写之分，name=”Robots”表示所有的搜索引擎，可以针对某个具体搜索引擎写为name=”BaiduSpider”。 content部分有四个指令选项：index、noindex、follow、nofollow，指令间以“,”分隔。

INDEX 指令告诉搜索机器人抓取该页面；

FOLLOW 指令表示搜索机器人可以沿着该页面上的链接继续抓取下去；

Robots Meta标签的缺省值是INDEX和FOLLOW，只有inktomi除外，对于它，缺省值是INDEX,NOFOLLOW。

这样，一共有四种组合：

＜META NAME=”ROBOTS” CONTENT=”INDEX,FOLLOW”＞
＜META NAME=”ROBOTS” CONTENT=”NOINDEX,FOLLOW”＞
＜META NAME=”ROBOTS” CONTENT=”INDEX,NOFOLLOW”＞
＜META NAME=”ROBOTS” CONTENT=”NOINDEX,NOFOLLOW”＞

其中

＜META NAME=”ROBOTS” CONTENT=”INDEX,FOLLOW”＞可以写成＜META NAME=”ROBOTS” CONTENT=”ALL”＞；

＜META NAME=”ROBOTS” CONTENT=”NOINDEX,NOFOLLOW”＞可以写成＜META NAME=”ROBOTS” CONTENT=”NONE”＞

目前看来，绝大多数的搜索引擎机器人都遵守robots.txt的规则，而对于Robots META标签，目前支持的并不多，但是正在逐渐增加，如著名搜索引擎GOOGLE就完全支持，而且GOOGLE还增加了一个指令“archive”，可以限制GOOGLE是否保留网页快照。例如：

＜META NAME=”googlebot” CONTENT=”index,follow,noarchive”＞

表示抓取该站点中页面并沿着页面中链接抓取，但是不在GOOLGE上保留该页面的网页快照。

百度的创新

Bruce — Fri, 24 Jul 2009 07:14:00 +0000

之所以想到这个话题，是因为我看到百度CTO李一男对《福布斯》说：“对于任何一个行业来说，商业模式都是第一位的，技术要能够‘变现’才有价值。”相当实用主义，“变现”两个字也很有杀伤力。

不过李一男的话并不新鲜，很久以前我就听李彦宏说过类似的话：

“我们反对盲目创新和为了创新而创新。在百度，我们鼓励不断研究用户需要、不断揣摩市场方向的创新，这是百度一直严格遵循的一个创新原则，也是百度很多搜索产品和服务能够在推出半年、一年的时间内，就能够进入产业前两名、甚至第一名的原因。”

不过很显然，至少百度Hi、百度有啊等产品，离前两名还比较遥远。李彦宏另一个著名的决策是，百度不搞研究院。因为搞研究院的，不管是著名的施乐PARC，还是IBM的研究院，下场确实都不怎么好。或许在李彦宏眼中，施乐、IBM的研究院都属于盲目创新、为了创新而创新的典范。可是，当一个企业做到了很大，到底为了什么？施乐自己尽管没有将它的很多创新成果转化成商业利益，但它发明的鼠标、图形用户界面、以太网等，让我们至今受益。

李彦宏曾说，等中国网民数量超过美国，中国互联网将出现真正的创新。这话其实有点可疑，大量互联网技术创新，并非来自美国，比如P2P技术的创新，很多都来自北欧小国。那么抛开互联网跨国界的特点不谈，我们姑且认为，网民人口基数的增加，确实可以带来新的技术挑战，从而引起新的技术突破。但百度真的是那个准备好迎接技术挑战的公司吗？我深表怀疑。

有人曾对中国互联网发过这样的感慨：大公司在忽悠股民，中公司在忽悠VC，只有小公司谁都忽悠不着，只能创新。

我并不希望百度盲目创新、为了创新而创新，我只是希望，作为中国互联网的领袖企业，应该有比“变现”稍高一点的理想。我从来没有想过百度会去研发手机操作系统、PC操作系统，起码，让你的员工拥有一点理想主义的自豪感，不是什么坏事。

一家大公司，尤其是一家引领技术潮流的大公司，应该有与之相匹配的格局，变现，是不是有点小呢？我们尊敬施乐的PARC，却永远都不会尊敬脑白金，这跟变现无关。

转自：对牛乱弹琴|http://blog.donews.com/keso/archive/2009/07/24/1544648.aspx

谷歌抓住了百度乱伦的证据

Bruce — Thu, 02 Jul 2009 06:11:27 +0000

最近我在一朋友博客上看到一篇有关老妻少夫的新闻报道！有人评论说这是一种乱伦！然而这与我所理解的乱伦有所出入。遂想去问问百度，谁知道百度百科不显示也就算了，还TMD将我输入的关键词’乱伦’也给跳转没了。百度难道害怕有“某中心”的专家站在我背后，偷偷记住了我输入的关键词？

打开谷歌输入“乱伦”结果如图

百度百科曾经详细解释过乱伦的含义。这是百科释疑，不是色情信息，为啥要屏蔽？

看百度却要经谷歌！悲哀！

也许过一段时间，风头过去了，大家在百度搜索乱伦，这百科就又出来了！那更悲哀！

为什么不能纳入常规教育，正大光明之？这样避讳打压只会产生强烈的逆反效果！越是保持神秘主义越能激发青少年的好奇心。眼看成年人都无法通过正当渠道获知了，那就只有窥窥DVD聊表自慰了。

还是那句话二元制衡真好！

你那不是搜索引擎

Bruce — Fri, 19 Jun 2009 05:54:59 +0000

有很多人认为搜索引擎就是一个简单的搜索框加提交按钮，站内搜索就是搜索引擎……对此我非常无语，但往往混沌的思绪以及拙劣的言辞，限制我没办法完成扫盲工作。遂搜集了部分材料来彻底的阐述一下：

搜索引擎(search engine)是指根据一定的策略、运用特定的计算机程序搜集互联网上的信息，在对信息进行组织和处理后，并将处理后的信息显示给用户，是为用户提供检索服务的系统。

数据量达到亿、单次查询毫秒级、每日查询总数能支持千万级、数量庞大的服务器硬件和速度巨快的网络环境

中文分词：

不但但是中文,其他国家的文字也存在"分词",说到底就是"语言学"里面的一个非常重要的领域.国内一些有名大学和科研机构,都一直在从事中文分词的研究,这也属于计算机自然语言研究领域.在国内做得比较有名的中文分词研究的公司,就不得不提提天津市海量科技发展有限公司http://www.hylanda.com/),其前身好象就是国家语言研究机构.一些搜索引擎公司,在发展初期时,对分词技术的研究还不是特别深入时,都是去买人家的产品.好象GOOGLE最开始对远东地区的分词技术,就是从一家日本公司购买的,有中文简体,中文繁体,日文,朝鲜文等多种文字分词技术.但是,纯学术领域的中文分词和搜索引擎里面用到的中文分词还是有很大的不同.学术界的要求分词的准确率极高,但分词速度就比较低了;搜索引擎的重点是,在保证分词高速的情况下,尽量提高分词的准确率.所以,现在的搜索引擎公司,都基本上自己来做中文分词了.

网络爬虫：

是国内做搜索的软件工程师给它取的名子,国外叫SPIDER(蜘蛛).为啥叫爬虫呢?因为最开始做实验时,给软件工程师的机器配置不高,另外网络带宽也很小.当时测试时程序跑得很慢,就象个虫子缓慢地爬来爬去的……所以,大家就趣称为"爬虫".网络爬虫的程序是不好编写的,因为作为软件工程师,无论你再是如何聪明,你所想到的绝对没有你会遇到的情况多!互联网上让人奇特的事太多了….原来有位同事去抓MP3,结果有个MP3网站的开发人员,就给我们开了个玩笑,他把一个子目录给命名为3.mp3,结果爬虫就把一子目录当成一个MP3文件!爬虫自己光荣牺牲了……哈哈,找了很长时间才找到这个BUG.

后台索引结构：

其实和中文分词的算法和很有关系的,采用咋样的中文分词,那后面的索引也会受其影响的.整体的后台索引结构的基本思想就是:把查询结果预先给运算出来.当然这些运算出来的结果全部放到内存中,那样查询是最快的,但内存总量毕竟是有限的(物理硬件不够往往是搜索引擎软件工程师头疼的问题!),所以肯定必须有大批量数据是放在硬盘中去……那些数据放内存,那些数据放硬盘,这就是个概率问题了.对于那些搜索高频词的结果就放在内存中,低频词的结果当然就放在硬盘上.但是,一些低频词可能会马上变成高频词,这如何办?嘿嘿,没问题的,搜索引擎在后台索引结构中,都会有一个高速缓冲.高速缓冲的设计非常巧妙,在它中间保存着最新最热门的查询结果.

Bruce » Baidu

请李彦宏读MBA

Related Posts

Recent Comments

我们应该相信什么（孙云丰）

Related Posts

Recent Comments

百度首席产品设计师孙云丰演讲

Related Posts

Recent Comments

百度被攻击全程记录（独家）

Related Posts

Recent Comments

百度论坛收录开放协议

Related Posts

Recent Comments

百度还算不错的软文

Related Posts

Recent Comments

Robots.txt

Related Posts

Recent Comments

百度的创新

Related Posts

Recent Comments

谷歌抓住了百度乱伦的证据

Related Posts

Recent Comments

你那不是搜索引擎

Related Posts

Recent Comments