日期匹配与文档排序的问题

        在提取网页url和网页内容中的日期时，发现实验室的提取日期接口功能不是很完善，对格式要求的比较严格，但是url和网页内容中的日期格式并不规范，像2008-06-20这样的是可以提前，但是080620就不行了，而对于08125这样可能产生歧义的格式更是无能为力，经过反复权衡，决定将歧义形式的日期舍弃，增加对08、98这样不完整纪年的识别，而舍弃的歧义日期由文档的正文部分提供，如果正文也没有日期，则舍弃文档。

        另一个问题是要对整个净化网页库建立索引，格式为：文档归类—>日期—>文档ID—>文档在网页库中的绝对偏移量，但是由于网页库十分巨大，而索引要求按照时间对其排序，这是一个比较麻烦的问题，无法在内存中完成操作，要想想其他方法。