上QQ阅读APP看书，第一时间看更新
3.1 实验数据集描述
首先介绍示例可能用到的3个主要数据文件的结构。
（1）索引文件baidu下类型文件baike（利用爬虫采集到的百度百科词条信息，采集方法见本书第10章）的结构（数据略）:
_index: baidu //针对百度百科词条数据的索引文件名称
_type: baike //针对百度百科词条数据的类型文件名称
_id: xxx //id号
_version: x //版本号
_score: x //排序分值
_source: { //数据字段描述(内容略)
title: (略) //词条标题
url: (略)） //URL，如http://baike.baidu.com/view/6505879.htm
content: (略) //词条内容
lastModifyTime: (略) //最近更新时间
taglist: (略) //内容分类，如"历史人物"等
}
（2）索引文件it-home下类型文件posts（利用爬虫采集到的程序员论坛主题帖信息）的结构：
_index: it-home //针对程序员论坛主题帖数据的索引文件名称
_type: posts //针对程序员论坛主题帖数据的类型文件名称
_id: xxx //id号
_version: x //版本号
_score: x //排序分值
_source: { //数据字段描述(内容略)
publishTime: xxx //帖子发表时间
category: xxx //主题类别
title: xxx //帖子主题
user: xxx //帖子发布者昵称
url: xxx //URL，如http://bbs.it-home.org/thread-76807-1-1.html
content: xxx //帖子内容
}
（3）索引文件whale下类型文件为log（日志信息）的结构。
_index: whale //索引文件名称
_type: log //type名称
_id: xxx //某document的id号
_version: x //版本
_score: x //评分
_source: { //数据字段描述
custom_ip: xxx //客户端IP地址
timestamp: xxx //时间戳
http_method: xxx //HTTP方法，如GET、POST等
uri:xxx //请求URI标识
status_code:xxx //网络状态码
os: xxx //客户端使用的操作系统，如Windows 10
log_size: xxx //当次日志长度
}