通搜百科

定位

通搜百科跟域名库的关系，跟快搜开放平台跟域名库的关系是一样的： 域名库是能力层，通搜百科是消费方。域名库不认识用户也不认识钱， 只负责抓取网页和抽取正文；通搜百科管自己的词条库、检索索引和用户界面。

这个分工带来一个硬约束：两个服务必须在同一台机器上。域名库的接口只接受 回环调用，请求头里带了 X-Forwarded-For 一类的字段就会被直接拒绝。 这不是配置问题，是设计如此。

能力层与消费方的边界一旦模糊，两边就会各自长出对方的功能。 宁可接口多一道，也不要让职责糊在一起。

与其他消费方的关系

目前域名库有两个消费方，将来会更多：

词条地址

词条的地址由三段组成：语种、词条名、义项编号。

/zh/通搜百科/1
/en/Tongsou-Wiki/1

义项编号是唯一真实的标识，词条名那一段只是给人看的。 14 个语种共用同一个编号，所以只要知道编号就能算出全部 14 个地址， 多语言声明不需要另外维护一张映射表。

三条定死的规矩

1. 词条名不可变。 要改名等于删掉旧的、新建一条（拿新编号）。
2. 已删除的编号不复用。 复用会让外面引用旧地址的链接指到无关的内容， 那比页面不存在更糟——是内容被掉包。
3. 名字对不上时跳转到规范地址，而不是报错。用户照样看得到内容， 地址会被自动修正，搜索引擎也只会收录一个地址。

不带编号的写法

只写名字不写编号也能访问，会跳到该名字的默认义项：

/zh/通搜百科        →  /zh/通搜百科/1

这一条是为了让不知道编号的链接不落空——外部引用、手敲的地址、 从别处抄来的名字。用的是临时跳转而不是永久跳转，因为默认义项会变： 出现一个更重要的同名词条时，默认义项要能换过去。

词条分类

分类分成两个互不干扰的维度。

词条类型

回答「这是个什么东西」——电影作品、药品、火车站。 它决定正文模板和结构化数据类型，每条词条必须选一个。 现有 16 个一级分类、175 个二级分类。

分类表是照百度百科改的，但去了重。百度那 172 个二级里有 21 处跨一级重复：

• 「生活」和「交通」有 10 个二级一字不差
• 「艺术」和「娱乐」有 11 个二级一字不差

那不是部分重叠，是同一张表出现在两个一级下面。照抄的话， 一部电影落到哪个分类完全随机。

学科主题

回答「属于哪个领域」——物理学、语言学、冶金学。 它用于浏览和聚合，一条词条可以挂多个，也可以不挂。

一条讲相对论的词条，类型是「定理定律」，学科是「物理学」，两个都对。 把它们合进同一棵树就得二选一，所以分开。

正文语法

正文用 Markdown，另外支持几种双链写法。

双链

• [[词条名]] 指向该词条的默认义项
• [[全称|显示名]] 链接指向全称，页面上只显示别名
• [[词条名#章节]] 直接跳到该词条的某个章节
• ![[词条名#章节]] 把那个章节的内容嵌进来

指向还不存在的词条会渲染成红链。红链不是错误——它标出 「这个概念被引用了但还没人写」，是补词条的优先队列。

嵌入有两道防线：最大递归两层，以及路径成环检测。 两道缺一不可——层数上限管「嵌套太深」，成环检测管「互相引用」， 而且成环的诊断优先于层数，否则作者会往错误的方向找问题。

下面是一次嵌入，引用的是本词条的「定位」一节：

数学公式

公式写在美元符号之间，行内的像 $E = mc^2$ 或者 $a_1 + b_2$， 渲染交给浏览器，服务端只负责把它原样带过去、不让 Markdown 的语法把它嚼碎 （不保护的话 $a_1 + b_2$ 里的下划线会被当成强调）。

块级公式独占一行：

图片

正文里的图和概述图都走 /media/ 这条路。真图还没有， 所以现在显示的是图位——一张标着文件名和尺寸的占位图。

用图位不用碎图标是有理由的：碎图看不出「这里本来该有什么」， 编辑和读者都判断不了是图没传还是地址写错了。图位上写着文件名， 两种情况一眼分得开。

技术构成

后端是 Go，检索计划用 Manticore Search。数据分两处存：

• TiKV 正文与历史版本。海量、大值、只按键取。
• TiDB 元数据与二级索引。要多维查询：按分类列、按标签筛、查反向链接。

正文只在 TiKV 里有一份，TiDB 存指针，这样两边不会漂移。 同步到检索引擎用出站箱模式，不双写——双写一定会漂移， 一边成功一边失败时没有回滚点。

界面

界面复用了域名库后台的 AdminLTE 外观，但那是一次性的快照—— 复制完就分家，域名库以后改模板这边不会跟上。真正共用的是能力，不是代码。

已经付出过一次代价：noindex 这个标记跟着复制过来了。 在域名库那边是对的（内部工具不该被收录），在这边把整个前台从搜索引擎里 抹掉了，时间因子、多语言声明、结构化数据全被这一行抵消。

复制外观带过来的不只是样式，还有那边的假设。

搜索引擎适配

四家搜索引擎要的时间因子格式互相冲突，同一个时间点必须出两种字符串：

给百度带时区它不一定认，给谷歌不带时区它会按爬虫自己的时区解。

参见

• 快搜 —— 搜索引擎主站
• 通搜 —— 本站所属
• 域名库 —— 能力层
• 快搜开放平台 —— 另一个消费方