[README] 更新项目概述、算法史故事、新手破冰指南、避坑锦囊等核心内容
学生：马健 (202521093003) 选题编号：A20 所属分队：红队 指导教师：朱宗晓
本项目源自《计算机程序设计艺术》（TAOCP）算法库的知识的系统化工程落地。
哈希表自1953年Luhn发明以来一直是无序数据 O(1) 查找的代名词。而Knuth在TAOCP卷3 §6.5中深入讨论了倒排索引技术——将”文档→词项”的正向关系反转，构建”词项→文档列表”的索引结构，这是现代搜索引擎的核心基石。
为工厂设备维护部门设计一个日志检索系统。首先用链地址哈希表维护从词项到倒排列表的映射；然后构建完整的倒排索引，支持 AND/OR/NOT 布尔查询。在海量维护记录中实现毫秒级的故障关键词检索。
理解信息检索在设备维护知识管理中的价值，培养将复杂文本数据结构化处理的系统思维。
如果把工业信息检索比作一座现代化图书馆的管理系统：
简而言之：算法库提供的是”查找与索引理论”，而A20项目要求你实现”海量工业文本的实时智能检索”。
你的现状：习惯了用 strstr() 或 strcmp() 在数组里线性搜索字符串。
你要做的：理解哈希映射的魔力。
定义一个指针数组：PostingList* hash_table[TABLE_SIZE];。这就是你的”索引卡抽屉”。
实现一个简单的哈希函数（比如 djb2 或 FNV-1a）。它能把任何词项（如 “motor_overheat”）瞬间映射为一个整数下标。
核心挑战（拉链法）：如果有两个不同的词项算出了相同的下标怎么办？在每个抽屉里挂一条PostingList链表。每次新词项来，算好下标，直接去那条短链表里找有没有”同名兄弟”。
你的现状：只知道”文档包含哪些词”的正向思维。
你要做的：建立”词项出现在哪些文档中”的反向映射。
定义倒排列表结构体：
typedef struct PostingNode { int doc_id; // 文档ID int freq; // 在该文档中出现次数 struct PostingNode* next;// 下一个posting } PostingNode;
解析文档时，对每个词项：
这就是 Google、百度背后最核心的技术之一。
你的现状：只会简单的单关键词查找。
你要做的：实现 AND/OR/NOT 的集合运算。
核心优化：总是先处理最短的列表。对于 AND 查询，从文档数最少的词项开始，逐步缩小结果集。
你的现状：检索结果随意排列，不关心哪些更相关。
你要做的：实现 TF（词频）排序。
计算每个结果文档的得分：
score = Σ (查询词项在该文档中的freq / 该文档总词数)
按得分降序排列，最相关的维护记录排在最前面。
同时，建立系统仪表盘：
在实现”工业日志检索系统”时，初学者极易踩中以下三个雷区：
C语言没有内置的字符串分割函数。在处理原始日志文本时：
建议先实现一个最简版 tokenizer：用 strtok() 按空格和标点分割，后续再优化。
在实现布尔查询时，绝对不要试图”原地修改”原始倒排列表来求交集/并集。必须创建新的结果列表，否则会破坏索引结构，导致后续查询出错。
正确做法：每个查询都 malloc 新的结果列表，查询结束后 free。
在工业环境中，日志数据可能极其庞大。如果没有监控机制，你的程序可能在不知不觉中耗尽内存。
建立可观性机制：
void print_memory_stats() { printf("哈希表条目数: %d\n", hash_entry_count); printf("总posting节点数: %d\n", total_posting_nodes); printf("索引内存占用: %zu bytes\n", hash_entry_count * sizeof(HashNode) + total_posting_nodes * sizeof(PostingNode)); }
. ├── README.md # 本文件（项目总览） ├── Makefile # GCC编译脚本 ├── .gitignore # Git忽略规则 ├── src/ # 源代码目录 │ ├── main.c # 主程序入口 │ ├── algorithm_a.c # 算法A实现 │ ├── algorithm_b.c # 算法B实现 │ ├── utils.c # 工具函数 │ └── include/ # 头文件目录 │ ├── algorithm_a.h │ ├── algorithm_b.h │ └── utils.h ├── docs/ # 文档目录 │ ├── 01-需求分析.md │ ├── 02-算法史故事.md │ ├── 03-功能框图.png │ ├── 04-详细设计.md │ └── 05-测试报告.md ├── report/ # 课程设计报告 │ └── 设计报告模板.md └── test/ # 测试代码 ├── unit_test.c # 单元测试 └── test_data/ # 测试数据集
make # 编译主程序 make test # 编译测试 make clean # 清理
./main ./unit_test
[A-模块] 具体修改内容 示例： [A-哈希表] 实现链地址哈希表与词项映射 [A-分词] 实现日志文本的tokenization [A-倒排索引] 构建词项到文档列表的反向索引 [A-布尔查询] 实现AND/OR/NOT组合查询 [A-排序] 实现基于TF的相关性排序
源自《计算机程序设计艺术》的新故事 —— 这本书的作者栏，写着你的名字。
A20 工业维护日志全文检索系统 — 马健(202521093003) 课程设计仓库。组合算法：哈希表 + 倒排索引。TAOCP出处：卷3 §6.4 + §6.5。
版权所有：中国计算机学会技术支持：开源发展技术委员会 京ICP备13000930号-9 京公网安备 11010802032778号
A20 工业维护日志全文检索系统
学生：马健 (202521093003) 选题编号：A20 所属分队：红队 指导教师：朱宗晓
项目概述
本项目源自《计算机程序设计艺术》（TAOCP）算法库的知识的系统化工程落地。
算法史故事
哈希表自1953年Luhn发明以来一直是无序数据 O(1) 查找的代名词。而Knuth在TAOCP卷3 §6.5中深入讨论了倒排索引技术——将”文档→词项”的正向关系反转，构建”词项→文档列表”的索引结构，这是现代搜索引擎的核心基石。
课程任务
为工厂设备维护部门设计一个日志检索系统。首先用链地址哈希表维护从词项到倒排列表的映射；然后构建完整的倒排索引，支持 AND/OR/NOT 布尔查询。在海量维护记录中实现毫秒级的故障关键词检索。
核心要求
工程哲学：可控可观（Controllability-Observability）
工程伦理
理解信息检索在设备维护知识管理中的价值，培养将复杂文本数据结构化处理的系统思维。
新手破冰指南：C语言视角的四步上手路径
如果把工业信息检索比作一座现代化图书馆的管理系统：
简而言之：算法库提供的是”查找与索引理论”，而A20项目要求你实现”海量工业文本的实时智能检索”。
第一步：建立词项的”绝对可控性”（打破线性扫描黑盒）
你的现状：习惯了用 strstr() 或 strcmp() 在数组里线性搜索字符串。
你要做的：理解哈希映射的魔力。
定义一个指针数组：PostingList* hash_table[TABLE_SIZE];。这就是你的”索引卡抽屉”。
实现一个简单的哈希函数（比如 djb2 或 FNV-1a）。它能把任何词项（如 “motor_overheat”）瞬间映射为一个整数下标。
核心挑战（拉链法）：如果有两个不同的词项算出了相同的下标怎么办？在每个抽屉里挂一条PostingList链表。每次新词项来，算好下标，直接去那条短链表里找有没有”同名兄弟”。
第二步：反转世界（构建倒排索引）
你的现状：只知道”文档包含哪些词”的正向思维。
你要做的：建立”词项出现在哪些文档中”的反向映射。
定义倒排列表结构体：
解析文档时，对每个词项：
这就是 Google、百度背后最核心的技术之一。
第三步：布尔逻辑的组合艺术（实现查询引擎）
你的现状：只会简单的单关键词查找。
你要做的：实现 AND/OR/NOT 的集合运算。
核心优化：总是先处理最短的列表。对于 AND 查询，从文档数最少的词项开始，逐步缩小结果集。
第四步：相关性排序与系统可观性（闭环）
你的现状：检索结果随意排列，不关心哪些更相关。
你要做的：实现 TF（词频）排序。
计算每个结果文档的得分：
按得分降序排列，最相关的维护记录排在最前面。
同时，建立系统仪表盘：
给新手的避坑锦囊
在实现”工业日志检索系统”时，初学者极易踩中以下三个雷区：
1. 分词的陷阱（字符串处理噩梦）
C语言没有内置的字符串分割函数。在处理原始日志文本时：
建议先实现一个最简版 tokenizer：用 strtok() 按空格和标点分割，后续再优化。
2. 列表合并的指针灾难（AND/OR实现陷阱）
在实现布尔查询时，绝对不要试图”原地修改”原始倒排列表来求交集/并集。必须创建新的结果列表，否则会破坏索引结构，导致后续查询出错。
正确做法：每个查询都 malloc 新的结果列表，查询结束后 free。
3. 哈希表与倒排列表的内存失控
在工业环境中，日志数据可能极其庞大。如果没有监控机制，你的程序可能在不知不觉中耗尽内存。
建立可观性机制：
目录结构
快速开始
编译
运行
里程碑
Git提交规范