1、Java采用UTF-16标准，一定程度上与Unicode兼容。Unicode有17个级别，1个标准和16个拓展。
2、Unicode标准中，第1级U+0000到U+FFFF，在Java中用2个字节表示（但U+D800到U+DBFF无定义）。
3、Unicode还定义了其余16个扩展级，从U+10000到U+10FFFF。在Java中用4个字节表示。它们的前两个字节就是U+D800~U+DBFF，即Java标准级别中没定义的部分，后两个字节就是U+DC00到U+DFFF。因此，这1[......]
Ranking with Indexes
本章内容：索引结构
1、每个系统都需要对应的数据结构(data structures)。信息检索中最常用的数据结构是：倒排索引(inverted index)。
2、本章的另外一个主题是：查询处理(Query processing)，即如何让查询使用索引的数据。
3、抽象检索模型：
(1)一篇文档被转化为对应的词项(index terms)，形成不同的特征(features)
(2)主题特征(topical features)[......]
Topic:Processing Text...
本章主题：文本处理
1、本章的主题:文本变换(Text Transformation)和文本处理(Text Processing)
2、将单词(Words)转化为可建索引的词项(Terms)的形式。
3、最懒的方法是:什么都不处理，这样，所有词都可以且只能被精确匹配。这样，诸如大小写、词形变换等导致的单词，就无法被检索出来。
4、分词(Tokenization):将段落转化为Words的过程。
5、归一化(St[......]
本章介绍了关于搜索原信息获取的问题，数据源除了Web、Feed之外，还有邮件、文档等各种可能的内网资源。
1、web的采集系统称为web crawler。两个最大的挑战：
(1)Web规模巨大，消耗巨大带宽、存储、CPU资源
(2) 不可控情况，很多网页会阻止你采集（加访问权限），有的Form表单无法采集，会产生数百万的组合结果(这种情况下，最好放弃form表单的采集)。
2、web上的每一个资源通过URL（Uniform resource locator）表示。分为scheme[......]
第2章：Architecture of a Search Engine (搜索引擎的整体结构)
1、搜索引擎的两个目标：Effectiveness(效果quality)和Efficienct(性能speed)。
2、搜索引擎的组成：
(1) Indexing Process (建索引)
包括：
Text Acquistion (文档获取)，典型的有：Crawling (爬虫), Metadata (元信息抽取)。
Text Transformation (文档转换)，主要是：[......]