如今，微软和谷歌将索引您硬盘上的文件，以便您可以快速搜索其内容。
我想知道的是他们是如何做到的？你能描述一下算法吗？
答案 0 :(得分：12)
简单的情况是倒排索引。
最基本的算法很简单：
详情是事情变得棘手，但基本原理是一样的。
通过“规范化和过滤”这些词，我的意思是将所有内容转换为小写，删除常见的“停用词”（if，if，in等），可能是“词干”（删除动词的常见后缀和复数等等。
之后，您将获得该文件的唯一单词列表，您可以构建索引。
有减少存储的优化，检查单词局部性的技术（例如，文档中“这个”附近的“这个”）。
但是，这是它完成的基本方式。
答案 1 :(得分：10)
这是一个非常基本的描述;有关详细信息，请阅读此教科书（免费在线）：http://informationretrieval.org/¹
1）。对于所有文件，请创建索引。索引由数据集中出现的所有唯一单词组成（称为“语料库”）。每个单词都与文档ID列表相关联;每个文档id指的是包含单词的文档。
变体：有时当您生成索引时，您要忽略停用词（“a”，“the”等）。但是你必须小心（“成为或不成为”是一个由停用词组成的真实查询）。
有时你也会说出这些话。这对使用后缀和前缀的非英语语言的搜索质量有更大的影响。
2）当用户输入查询时，查找相应的列表并合并它们。如果它是一个严格的布尔查询，那么该过程非常简单 - 对于AND，docid必须出现在所有单词列表中，对于OR，至少在一个单词列表中等。
3）如果您想对结果进行排名，有很多方法可以做到这一点，但基本思路是使用文档中出现单词的频率，与您期望的频率相比较发生在语料库中的任何文档中，作为文档或多或少相关的信号。见教科书。
4）您还可以存储单词位置以推断短语等。
大部分内容与桌面搜索无关，因为您更感兴趣的是回忆（包含该术语的所有文档）而不是排名。
¹之前在http://www-csli.stanford.edu/~hinrich/information-retrieval-book.html上，可以通过返回机器
访问答案 2 :(得分：2)
您可以随时查看Apache Lucene之类的内容。
Apache Lucene是一个完全用Java编写的高性能，功能齐全的文本搜索引擎库。它是一种适用于几乎所有需要全文搜索的应用程序的技术，尤其是跨平台搜索。