自从互联网结束了门户时代，进入搜索引擎年代之后，在中国这片领土中，人们便不断的拿着Google于Baidu当作两个对手，不断的讨论着百度占据了多少市场份额，而Google的份额又少了多少，为此津津乐道，乐此不彼。不管从资金、技术、人才还是品牌，Baidu其实连给Google提鞋的资格都没有–哪怕Baidu在中国市场称雄称霸，那又如何？在关于百度(NASDAQ:BIDU)获得了“中国企业走出去”国家贡献奖的很有意思的一篇文章中就说过，Baidu的成功，也仅仅只能是在中国市场的成功。
在cnBeta上看到一篇关于百度的很有意思的文章， 之所以说写得很有意思，那是因为和前面的什么样软件才算是“世界级商业应用软件”? 中国用友软件开发研制的U9套件?一样，又是一篇本来想夸奖啥啥啥的文章，却因为作者认识上的缺陷，反而写成了一个靶子，让人往上面投石子。文章的原文在这里，就不全文转载了。下面是几点比较“搞笑”的地方，提取出来Show一下。
这个主要是为解决PP提出的频繁初始化Com时效率问题。很抱歉这其实并不是一个封装的类，例子中只是将ITextExtractor指针设为全局变量,一次初始化,多次重复使用而已 （注意按下File选择文件的时候每次用的都是同一个指针），最后在按下退出程序的时候释放。不过原理是一样的，例子中ITextExtractor的指针进行封装就可以了。
具体的封装大家可以自己根据需要去实现,前提条件是保持ITextExtractor指针不被改变就可以了. 由于CoCreateInstance的关系，建议封装为SingleTon模式。
Flash的swf文件的索引很难被搜索引擎索引，想不到Adobe/Macromedia已经开发了针对Flash的搜索引擎SDK，利用该SDK，可以轻松的将swf转为html，然后进行索引。
该SDK包括：
在Ntt.CC进了Google的沙盒(Sandbox)中说到了Ntt.cc被Google关进了沙盒(Sandbox)
，导致访问量一下子从“天上”掉到“地下”，来自Google的访问量几乎降到了个位数。查了很多相关的文章，包括国外的很多SEOer们都提到说至少需要被关6个月左右（不清楚沙盒是什么的可以自己google一下）。
什么是排序技术
所谓的排序技术，我们可以简单的理解为曝光率，谁出现的次数最多，谁排在前面。要谈到排序技术，就不得不说Google的PageRank，而提到PageRank，则我们需要先来了解一下一种称为HillTop的排序算法。
在《Google的PR开始了2008年的第一次更新》中提到了2008年的第一次PR已经开始更新了，minidx.com的一些新开的二级域名有了2的PR，但是Google网站管理员工具中显示PR最高的http://blog.minidx.com却一直都是0,据说PR更新一般会需要1个星期时间才可以完全更新完。无意中打开自己的一篇《关于PFSVODDATA文件或者文件夹》，发现这个单篇文章的PR值居然是2。
《利用Minidx Extract-Text Com组件从Word,Xls,Pdf……等文件中读取文本内容》中具体的说明了Vb.Net中调用Minidx Extract-Text Com组件对Word,Excel,Pdf等各种文件进行文本抽取的用法。结果很多人都发邮件过来询问C++中如何调用（一些邮件会被Gmail判断为垃圾邮件……强烈建议有问题直接在本文后面留言或在这里提问，这样也可以减轻一点我的工作量，不必挨个回复）。抽空作了一个VC的Demo，工程用VS2005创建的，Unicode版本。下面对Demo稍微做一些说明，一些基本原理直接参照《利用Minidx Extract-Text Com组件从Word,Xls,Pdf……等文件中读取文本内容》就可以了，这里不再重复。
提到搜索引擎，估计一般人条件反射的就会跳出Google，Yahoo，百度……其实世界各地还有很多互联网的搜索引擎，稍微整理了一个列表，Thumbnail的网页快照好像不是都可以抓到，所以也就不去一一抓取了。下面文中部分相关说明来自维基百科，很可惜众所周知的原因好东西大陆网民是无法享受的。
在《“全文检索(full-text search)”和“搜索引擎(search engine)”的区别和联系》中我们提及到了中文分词，以及《双数组Trie(Double Array Trie)实现原理的一点剖析》中阐述了高效率中文分词的实现。接下来让我们抛开双数组Trie的那些公式，从概念上来了解一下分词技术，因为英文分词相对比较简单，这里主要来了解的是中文分词。
英文是以词为单位的，词与词之间上靠空格隔开，而中文是以字为单位，句子中所有的字连起来才能描述一个意思。例如，英文句子I am a student，翻译成“我是一个学生”。计算机可以很简单的通过空格知道student是一个单词，但是“学”，“生”假如分开来，计算机是无法理解的。必须把他们合在一起才变得有意义。把中文的汉字序列切分成有意义的词，就是中文分词。再比如“研究生命”，可以划分为“研究生/命”，也可以是“研究/生命”，假如是人脑可以很明显的判断出这里后者的划分更加的确切，但是计算机要做到这一点却是相当的困难。
现有的分词算法有3种：基于字符串匹配的分词算法、基于理解的分词算法和基于统计的分词算法。
