搜索引擎原理簡單分析帶圖

先上圖來簡單看下搜索引擎的“三板斧”：數(shù)據(jù)搜集—>預(yù)處理【索引】—>排名。

數(shù)據(jù)搜集

即數(shù)據(jù)的搜集階段，將網(wǎng)頁從浩如瀚海的互聯(lián)網(wǎng)世界搜集到自己的數(shù)據(jù)庫中進(jìn)行存儲。

1、抓取維護(hù)策略

面對大量需要處理的數(shù)據(jù)，很多問題需要事先考慮好。比如是“即時抓取”數(shù)據(jù)還是“事先抓取”？在對數(shù)據(jù)進(jìn)行維護(hù)時是“定期抓取”（定期一次深度大抓取，替代原有的數(shù)據(jù)）還是“增量抓取”（以原有數(shù)據(jù)為根基，進(jìn)行新舊交替）？

2、鏈接跟蹤

我們都知道，蜘蛛是順著鏈接爬行和抓取頁面的。如何快速抓取到對用戶來說相對重要的信息以及達(dá)到廣闊的覆蓋無疑是搜索引擎需要重點(diǎn)考慮的問題。

先來說第一個，怎么抓取到重要的信息。

想要知道這個，首頁要明白人們是怎么樣主觀去判斷一個頁面是否重要的（自己先思考下）。其實(shí)無外乎以下幾種情況：

網(wǎng)頁有歷史權(quán)重積累（域名等時間較長、質(zhì)量高、資格老）、很多人會提到這個頁面（外鏈指向）、很多人會引用這個頁面（轉(zhuǎn)載或者鏡像）、這個頁面便于用戶快速瀏覽（層級較淺）、經(jīng)常有新的內(nèi)容出現(xiàn)（更新）等等。

而在鏈接跟蹤階段，其實(shí)能得到的信息只有“這個頁面便于用戶快速瀏覽（層級較淺）”，其它信息還未獲取。

對于信息的覆蓋，其實(shí)就是蜘蛛在跟蹤鏈接時的兩個策略：深度抓取與廣度抓取。

用屁股想一下也知道，廣度抓取有助于獲取到更多的信息，深度抓取有助于得到更全面的信息。搜索引擎蜘蛛在抓取數(shù)據(jù)時，通常會兩種方式都采用，但是相比較來說，廣度抓取要多于深度抓取。

3、地址庫

搜索引擎在建立初期，必須是要有一個人工錄入的種子庫的，否則蜘蛛將會在進(jìn)行連接跟蹤時無從下手。順著這些種子庫，蜘蛛可以發(fā)現(xiàn)更多的鏈接。

當(dāng)然，多個搜索引擎都會放出一個頁面的提交入口，以便于站長將站點(diǎn)進(jìn)行提交。

不過值得一提的是，搜索引擎更喜歡自己發(fā)現(xiàn)的鏈接。

4、文件存儲

鏈接跟蹤完畢，需要將跟蹤到的信息進(jìn)行存儲。存儲的對象，第一是url，第二是頁面內(nèi)容（文件大小、最后一次更新時間、http狀態(tài)碼、頁面源代碼等等）。

關(guān)于url，由于上次看到一個泛端口作弊的站點(diǎn)，這里簡單的提一下。一個url是由傳輸協(xié)議、域名、端口、路徑、文件名等幾部分組成的。

預(yù)處理【索引】

數(shù)據(jù)抓取完畢，就需要進(jìn)行預(yù)處理了（也有很多人喜歡把這一步叫做索引）。主要會從提取文字、分詞，建立索引，鏈接分析等幾個方面來進(jìn)行。

1、提取文字

很好理解的一部，將源代碼中的文字提取出來。當(dāng)然需要注意的是，這里面會包括meta信息以及一些替代文字（例如alt標(biāo)簽）。

2、分詞

分詞是中文特有的一個步驟，即根據(jù)句子說要表達(dá)的意思將正文進(jìn)行拆分。通常情況下，分詞會有基于詞典以及統(tǒng)計學(xué)兩種方式。

為了更加有效的進(jìn)行機(jī)器分詞，通常會采用“正向匹配”與“逆向匹配”兩種思路來進(jìn)行。值得一提的是，“逆向匹配”的方式更容易獲得更多有價值的信息（想想為什么）。

需要強(qiáng)調(diào)的一點(diǎn)是，為了便于分詞之后的詞組可以更好的表達(dá)文章的核心意思，會進(jìn)行去停頓詞（的、啊、嗯之類的詞）以及去噪（導(dǎo)航、版權(quán)、分類等對主體意思表達(dá)木有影響分的內(nèi)容）的處理。

3、去重

經(jīng)過去停頓，去噪之后剩下的詞組，已經(jīng)可以很好的表達(dá)出頁面的主體意思了。為了便于使得內(nèi)容不被搜索引擎重復(fù)收錄，搜索引擎需要一個算法來進(jìn)行去重處理。

比如比較知名且常用的為MD5算法，請點(diǎn)擊鏈接到百度百科自行腦補(bǔ)。

4、建立索引

去重完畢，便是一個大家經(jīng)常說起的正向索引與倒排索引。

5、鏈接算法

排名

索引文件建立完畢，離排名就不遠(yuǎn)了。

1、搜索詞的處理

搜素引擎會對搜索詞同樣進(jìn)行分詞處理（想想為什么），說到這里，又不禁想感慨下漢字的博大精深之處。

針對這里，想補(bǔ)充的是一個叫做文本粒度的概念。額，為了避免誤認(rèn)子弟，還是給出百度官方關(guān)于此處的解釋。

2、文件匹配與子集選擇

按照百度官方的說法，將用戶搜索的詞進(jìn)行分詞處理之后，便可以對索引庫進(jìn)行召回了。這里需要考慮到的一點(diǎn)是，用戶查看的往往會是前幾頁的搜索結(jié)果。所以為了資源計，搜索引擎往往會只返回部分的結(jié)果（百度顯示76頁，谷歌100頁），即召回的索引庫中的子集文件。

3、相關(guān)性計算

通常情況下，會有五種因素會影響到相關(guān)系。

關(guān)于此部分，也就是大家經(jīng)常說到的SEO優(yōu)化手段與方法，這里就不再贅述了。

4、排名過濾與調(diào)整

其實(shí)經(jīng)過相關(guān)性計算，結(jié)果已經(jīng)大體確定了。只是為了懲罰一些有作弊嫌疑的站點(diǎn)，搜索引擎會在此部分進(jìn)行結(jié)果的微調(diào)。

比如百度的11位機(jī)制。

5、結(jié)果的顯示

深喘一口氣，終于可以看到顯示的結(jié)果了。

返回的結(jié)果會包含title、描述、快照入口、快照日期、url等幾個方面。

這里值得一提的是，不只是描述搜索引擎可以動態(tài)抓取，或許在不久的將來，title也會進(jìn)行動態(tài)抓取。