Marginalia搜索引擎团队开发了一个新系统“ping-process”，用于检测服务器在线状态和网站重大变更（包括所有权变更和域名停放）。该系统主要依靠HTTP HEAD请求和DNS查询，通过分析证书细节、安全姿态、服务器头部等信息来识别变更。数据存储在“快照表”和“事件表”中，前者存储最新信息，后者存储历史事件。系统克服了调度和证书验证等挑战，初步成功识别大量域名停放事件，未来将进一步完善所有权变更检测模型，并应用于爬虫策略优化。
阅读更多
从早上被 AI 闹钟叫醒，到在健身房经历冗长的身份验证，再到被车载 AI 喋喋不休地轰炸，主人公的一天被无处不在的 AI 淹没。这看似便利的未来，却充满了令人窒息的烦扰和对隐私的侵犯，引发了对 AI 技术过度发展和人际互动缺失的反思。
阅读更多
搜索引擎近期获得了索引PDF文件的能力，但从PDF中提取文本信息远比想象中复杂。PDF并非文本格式，而是图形格式，文本以字形坐标的形式存在，可能旋转、重叠或无序排列。文章详细介绍了如何改进PDFBox的PDFTextStripper类，通过统计页面字体大小和行间距等特征，更有效地识别标题、段落等语义信息，从而提升PDF文本提取的准确性和适用性，最终实现对PDF内容的有效索引。
阅读更多
搜索引擎爬虫在抓取网页时，总是会在最后几个域名上耗费数天时间。最近，迁移到新的爬取数据后，内存需求降低了80%，爬取任务数量增加，导致99.9%的爬取在4天内完成，剩余0.1%却耗时一周。问题在于网站规模遵循帕累托分布，一些大型网站（尤其学术网站，拥有大量子域名和文档）以及爬虫对每个域名的并发任务限制。最初随机排序导致大型网站启动较晚，之后尝试按子域名数量排序，却引发了对博客主机的大量并发请求。最终，通过添加请求延迟抖动和调整排序策略，优先处理子域名数量超过8的网站，一定程度上解决了问题，但批量爬取模型的固有缺陷仍需进一步优化。
阅读更多
Marginalia 搜索项目喜获 NLNet 基金会第二轮资助！这笔资助将用于推进 2025 年项目路线图中的大部分工作。自 2023 年夏季以来，项目一直全速推进，而这笔新资助将确保项目有充足的开发时间，并延长项目周期。更多细节将随后公布。
阅读更多
这篇文章以讽刺的口吻，讲述了一个AI创业公司为了获取训练数据，不择手段地爬取网络数据的故事。他们无视robots.txt，伪造user-agent，肆意爬取表单数据、Git仓库数据，甚至连接邻居的wifi。他们不使用连接池，不关闭连接，故意丢包，一切只为了快速获取数据，体现了AI创业公司不顾一切的疯狂和对规则的无视。最终，他们虽然获得了数据，但却付出了声誉受损的代价，这篇文章用幽默的笔触讽刺了部分AI创业公司不择手段追求成功的行为。
阅读更多
本文介绍了 Marginalia 搜索引擎如何实现更精确的短语匹配，从而提升搜索结果质量。文章详细阐述了新的位置列表编码方案、字段跨度表示方法以及排名算法的改进，并讨论了压缩索引以减少磁盘空间占用的优化策略。
阅读更多
本文是作者回顾过去一年独立开发搜索引擎 Marginalia 的总结。作者从 NLnet 获得资助，完成了项目的初始开发目标，包括改进代码库、优化数据存储格式、简化系统操作、提升查询解析能力等。作者坦率地分享了独自创业的经验和挑战，例如工作与生活的平衡、项目规划的风险等，并展望了未来的发展方向，包括改进索引的词位置分辨率、扩大索引规模以及探索新的功能。
阅读更多