信息检索

信息检索

在 书籍和课程推荐 里已经推荐过一些内容了，这里重新总结一下，毕竟大家都懒，懒惰使人进步。这里介绍的主要是编程用到的信息检索，对，cs自学中那段也是我写的，我懒，就直接扒过来一部分。

前言

信息检索，就是通过一切办法方便快捷的搜到需要的信息。最常见的是看文档，用搜索引擎查，现在也可以用AI。

碰到问题，记住第一件事是 翻阅文档 ，不要一开始就直接搜索或者找人问，翻阅FAQ可能会快速找到答案。

编程最重要的，就是 STFW(search the fucking web) 和 RTFM(read the fucking Manual) ，首先要读文档，第二要学会搜索，网上那么多资源，怎么用，就需要信息检索。

要搜索，我们首先要搞清楚搜索引擎是如何工作的：

搜索引擎工作原理

搜索引擎的工作过程大体可以分成三阶段：[1]

  1. 爬行和抓取：搜索引擎蜘蛛通过跟踪链接访问网页，获取网页 HTML 代码存入数据库。

  2. 预处理：索引程序对抓取来的网页数据进行文字提取，中文分词，索引等处理，以备排名程序调用。

  3. 排名：用户输入关键词后，排名程序调用索引库数据，计算相关性，然后按一定格式生成搜索结果页面。

第一步，就是大家经常听说的网络爬虫，一般 Python 卖课的都会吹这个东西。简单可以理解为，我用一个自动的程序，下载网站中的所有文本、图片等相关信息，然后存入本地的磁盘。

第二步是搜索引擎的核心，但是对于我们使用来说，并不是特别关键，大致可以理解为洗干净数据，然后入库页面，每个页面加入关键字等信息方便我们查询。

第三步跟我们息息相关，不管是什么搜索网站， google 、百度、 Bing ，都一样，输入关键字或者需要查询的内容，搜索引擎会给你返回结果。本文就是教你如何获取更好的结果。

基础搜索技巧

根据上述的工作原理，我们大致就能明白，其实可以把搜索引擎当作一个比较聪明的数据库，更好的使用查询条件就能更快速的找到你想要的信息，下面介绍一些搜索的技巧：

使用英文

首先我们要知道一件事，编程中，最好使用英文搜索。原因主要有几点：

  1. 编程和各种软件操作中，英文资料质量比中文资料和其他语言资料高，英文通用性还是更好些

  2. 因为翻译问题，英文的名词比中文准确通用

  3. 中文搜索中，分词系统不准会导致歧义，比如 Google 搜中文可能会搜不出几条有用结果

如果你英文不好，用百度翻译或者搜狗翻译，足够了。

当然下面的文档为了举例方便，都还是用中文例子。

提炼关键词

搜索时不要搜索整句话，虽然搜索引擎会自动帮助我们分词检索，但是整句和关键字搜索出来的结果再准确度和顺序上会有很大差别。搜索引擎是机器，并不是你的老师或者同事，看上面的流程，搜索实际上是去检索搜索引擎爬出来的数据库，你可以理解为关键字比模糊检索要快而且准确。

我们需要提炼问题，确定我们到底需要解决什么问题。

例如，我想知道 vcpkg 如何集成到工程上而不是全局中，那么搜索 vcpkg如何集成到工程上而不是全局中 这种长句可能无法找到相关的结果，最好是拆分成单词，vcpkg 集成到 工程 全局 这样的搜索。其实这里只是举个例子，针对本条其实都能搜索出相关信息，但是越具体的问题，机器分词越可能出问题，所以最好是拆分关键字，使用词组或者断句来进行搜索。

替换关键字

还是上面那个例子，如果搜不出来，可以试试把工程换成项目，或者移出集成，如果不行，试一下高级搜索。

高级搜索

普通搜索引擎一般都支持高级搜索，包括 google ， bing ，百度， ecosia ，等等，大部分都支持，不过可能语法不同，一般通用的表示：

  • 精准匹配： 精准匹配能保证搜索关键词完全被匹配上，一般是用双引号括起来

    • 比如搜索线性代数，可以在输入框内输入 "线性代数"，搜索引擎将只匹配完整包含 “线性代数” 的页面，而不会搜索拆分成线性和代数两个词的页面

  • 不包含关键字： 用 - 减号连接关键字，用于排除某些干扰词

  • 包含关键字： 用 + 加号连接关键字

  • 搜索特定文件类型： filetype:pdf 直接搜索 pdf 文件

  • 搜索特定网址： site:stackoverflow.com 只搜索特定网站内的页面

一般可以参照网站说明，比如百度可以参照 高级搜索 ，Bing 可以参照 高级搜索关键字 和 高级搜索选项 。

GitHub 的高级搜索

可以直接用 高级搜索页面 进行搜索，也可以参照 Github查询语法 进行查找，简单说几个:

  • in:name <关键字> 仓库名称带关键字查询

  • in:description <关键字> 仓库描述带关键字查询

  • in:readme <关键字> README 文件带关键字查询

  • stars(fork): >(=) <数字> <关键字> star 或 fork 数大于(或等于)指定数字的带关键字查询

  • stars(fork): 10..20 <关键词> star 或 fork 数在 10 到 20 之间的带关键字查询

  • size:>=5000 <关键词> 限定仓库大于等于 5000K 的带关键字查询

  • pushed(created):>2019-11-15 <关键字> 更新 或 创建 日期在 2019 年 11 月 16 日之后的带关键字查询

  • license:apache-2.0 <关键字> LICENSE 为 apache-2.0 的带关键字查询

  • language:java <关键词> 仓库语言为 Java 的带关键字查询

  • user:<用户名> 查询某个用户的项目

  • org:<组织名> 查询某个组织的项目

这些可以混合使用，也可以先查找某一类的 awesome 仓库，然后从 awesome 库里找相关的资源，github 里有很多归纳仓库，可以先看看已有的收集，有时候会节省很多时间

更多技巧

使用中，实际上我会去特定网站找一些问题：

  • 如果是语言本身相关，比如 c++/Qt/OpenGL 如何实现什么功能，可以直接加上 site:stackoverflow.com

  • 如果是具体的业务/开发环境或者软件相关，可以先在 BugList 、IssueList ，或者相关论坛里先找一下，比如 Qt 的问题就可以直接去 Qt 论坛，QGis 或者 GDAL 相关问题可以在 stackExchange 里去搜

  • QQ 群也是一个提问的地方，但是需要你提的问题有意义，否则大部分人不会回你，而且 QQ 群回复并不及时。

  • 知乎专栏、简书、博客园、 CSDN 中有大量中文笔记，这些都是别人嚼烂了的东西，基本是别人踩坑的经验

关于百度

大部分编程人都会告诉你别用百度，用 Google 或者 Bing 国际版，但是 Bing 中文搜索的准确率并不高， Google 需要科学上网，如果真的需要，可以使用 Ecosia 、 Yandex 之类的搜索引擎。而且中文搜索来说，百度可能还真是比较好的选择。

百度的问题主要在于排序算法，可能两页都没啥对的内容，但是收录比 Bing 还是好一些的（百度以前并不遵守 robots.txt，会抓取所有页面，所以有些个人网站甚至专门对百度做了屏蔽），甚至有时候比 Google 好。从数据库来说，百度比 Google 和 Bing 收录的中文内容要多，如果你碰到的时中文相关的问题而且确实找不到相关内容，那么就用百度，搜索引擎是工具，能用好用才是王道。

这里讲点我自己碰到的，文心一言刚开放的时候，搜内容是会直接出现微信公众号xxx的，明显是数据没洗干净，但是也说明，它抓的东西还真的是多。

代码搜索

我们除了搜索引擎查找问题，还有可能会搜一些代码，可能是自己写的，也可能是项目中的，下面推荐一些工具：

代码检索有两种，第一是本地的代码检索，第二是要写个啥算法，需要在网上搜索

本地代码搜索

  • ACK 或者 ACK2，老牌搜索工具，perl 写的

  • The Silver Searcher c 实现的

  • The Platinum Searcher go 实现的

  • ripgrep ：rust实现的，这个速度还挺快

  • FreeCommander 自带的搜索，如果是固态硬盘速度还不错

  • IDE 自带的，搜索有些时候并不太好用

开源代码搜索

  • Searchcode 搜索开源代码，速度比较快

  • 一行代码 国产的，有些国产工具很好用

  • AI：下面会介绍AI，一般通用算法，限定词足够的话，AI能给出正确答案。

ChatGPT等生成式AI

可以先看看 WTF is AI ,了解一下AI工作原理。

本部分不会涉及具体如何去注册或者如何访问，只说一下如何运用，和其优劣。

现在 ChatGPT 比较火，我试用过，然后国内的文心一言，通义千问，kimi、豆包等都试过，以下用ChatGPT作为示例，说一下我自己的使用经验。

ChartGpt3.5 和 ChatGpt4 对于解决具体问题其实帮助没有总结或整理效果好，也就是它大部分时候无法真的像 stackoverflow 中的问答一样解决你的问题。但是如果你需要学习一些新内容或者需要整理一些文档，它是一个很方便的工具。当然它进化的很快，可能之后的版本会好一些。

查询时可以进行连续对话，给它更多信息和错误反馈，更新答案，但是除非你输入整理过的笔记或者知识，否则它瞎编的概率超过8成。

举一个例子，我需要使用 GDAL 库将shp数据转换为 gpkg 数据，实际阅读文档后，会了解到，应该使用 GDALVectorTranslate ​接口，但是 ChatGPT 会虚构 GDALDriver ​ 有 CopyLayer ​接口让你使用，反馈没有这个接口后，它会逐条拷贝数据（其中的代码能编译过但是效果是错的），这在实际使用中其实比较危险，因为没有编译错误但是实际是无效代码，如果你完全不理解也没看文档的话，几乎是一个死胡同，无法下手排查错误。我测试过，具体的 C/C++ 库使用，包括 GDAL ， OSG ， eigen 等库，它的回答都很有逻辑，但是基本无法编译过，即使通过连续对话纠正了所有编译错误代码也是无效的。

但是如果是写python脚本处理文件，或者直接调用STL库做处理，只要你的逻辑写清楚，它基本能返回正确的答案，甚至包括一些基础的算法，它也能帮你找到基本正确的思路。

而且当你询问，处理地理数据有哪些开源库，或者解决一些具体问题所需要空间分析方法，这类比较概括的问题中，它能正确回答的概率就会大大提升，它基本可以正确回答比较抽象和概括类的问题。

如果你确实想用其解决实际问题，那么把问题拆分，拆分的越细致越好，你可以先让其叙述实现步骤，然后判断逻辑是否正确，手动修正后，分步重新输入 AI 中，让它帮你写，具体方案是：你给出具体的输入，输出，以及实现逻辑，让其帮你生成函数，直到所有内容完成。这种方式正确率会比较高，但是效率跟自己写其实差不多。

所以如果你需要解决具体的问题，请参考本文的第一句话，认真研读文档，你可以用AI辅助总结文档，然后去查询文档实现细节，如果你需要学习新内容或者碰到一些无从下手的新知识，可以使用 ChatGPT 来整理和开阔思路，AI是工具，并不是万能的。

使用技巧

  • 尽量具体的描述需要处理的问题，ChatGPT 自动会提炼关键字，所以依然可以参照前面基础搜索技巧，但是不需要自己分词和提炼关键字，只需要尽可能的描述清晰你的问题。

  • ChatGPT 可能一次没有生成完，你可以直接输入继续让它继续生成

  • 如果你觉得回答有什么遗漏或者回答中有什么问题，可以连续对话，让它修改答案，它可以有逻辑的补充

  • 它可以提炼和整理一些文本内容，方便做笔记，也可以让它整理格式（输出 MarkDown 等格式），方便复制粘贴

  • 针对部分具体的问题， ChatGPT 可能无法给出正确答案，但是思路基本是对的，你可以参照它的思路去读文档然后找到正确的方式处理

  • 一些基础概念问题，不涉及具体库的，AI大部分能给出正确答案，例如写排序，或者stl库中的操作

  • 基于以上原理，如果是需要做一些单纯的逻辑判断等工作，可以写逻辑然后让AI写代码，正确率还比较高，但是如果涉及专用库，大部分代码无法直接使用。

  • Python代码正确率比其他代码高

  • 可以用AI根据思路绘制流程图（mermaid或者plainUML），或者给出python代码绘制函数曲线图等，打开思路，可以辅助做文档

  • ChatGPT 有可能陷入死循环，它只是AI，只负责给出逻辑通顺的答案，而不保证答案正确性

记住，没有什么万能的工具，如果 ChatGPT 回答错误，请查看文档，灵活使用搜索引擎，查找专业论坛或者问答网站，自己做笔记，解决问题。