ページのメタ情報だけを保存
2020/9/21 14:15:00
doc_meta_info:
filename: ページのURLのsha256
dest: ページが持つURLのリスト
src: ページを指し示すURLのリスト
tokens: ページ内の単語
udpate: メタ情報の作成時刻（timestamp[ms]）
ページメタ情報の容量
2023/11/23 9:20:00
=15.718837606837608[KB]
=0.015350427350427352[MB]
=8.98 / 585 [MB]
関連するURLのリストを持つと、やはり容量が大きくなる
数だけ持つべきかもしれない
ページランクを無視するならURLは残さなくてもいい
野良クローラの推定容量
2023/11/23 9:19:00
= 156.6405989165999[TB]
= 168191562393.1624[KB]
= 15.718837606837608 * 10700000000 [KB]
= ページメタ情報の容量 * クローラで得られるページ数
検索エンジンクローラーデライトでクローラーを回すデライトの生HTMLファイル容量ページメタ情報の容量野良クローラの推定容量クローラで得られるページ数ページのメタ情報だけを保存メタ情報全輪郭の表題推定容量
入門自作検索エンジン
2020/9/21 19:14:00
桁数を一個減らしたい
2020/9/21 15:20:00
🟩メタデータを圧縮する
- 7zip?
- gzip?
- AutoEncoder？
- Jsonをやめる？
🟩URLを無くす
クローラで得られるページ数
2020/9/21 15:10:00