百度搜索引擎工作原理

　　1， 重復(fù)內(nèi)容的網(wǎng)頁：互聯(lián)網(wǎng)上已有的內(nèi)容，百度必然沒有必要再收錄。

　　2， 主體內(nèi)容空短的網(wǎng)頁

　　1）有些內(nèi)容使用了百度spider無法解析的技術(shù)，如JS、AJAX等，雖然用戶訪問能看到豐富的內(nèi)容，依然會被搜索引擎拋棄

　　2）加載速度過慢的網(wǎng)頁，也有可能被當(dāng)作空短頁面處理，注意廣告加載時間算在網(wǎng)頁整體加載時間內(nèi)。

　　3）很多主體不突出的網(wǎng)頁即使被抓取回來也會在這個環(huán)節(jié)被拋棄。

　　3， 部分作弊網(wǎng)頁

　　第二節(jié)-檢索排序

　　搜索引擎索引系統(tǒng)概述

　　眾所周知，搜索引擎的主要工作過程包括：抓取、存儲、頁面分析、索引、檢索等幾個主要過程。上一章我們主要介紹了部分抓取存儲環(huán)節(jié)中的內(nèi)容，此章簡要介紹一下索引系統(tǒng)。

　　在以億為單位的網(wǎng)頁庫中查找特定的某些關(guān)鍵詞猶如大海里面撈針，也許一定的時間內(nèi)可以完成查找，但是用戶等不起，從用戶體驗(yàn)角度我們必須在毫秒級別給予用戶滿意的結(jié)果，否則用戶只能流失。怎樣才能達(dá)到這種要求呢？

　　如果能知道用戶查找的關(guān)鍵詞（query切詞后）都出現(xiàn)在哪些頁面中，那么用戶檢索的處理過程即可以想象為包含了query中切詞后不同部分的頁面集合求交的過程，而檢索即變成了頁面名稱之間的比較、求交。這樣，在毫秒內(nèi)以億為單位的檢索成為了可能。這就是通常所說的倒排索引及求交檢索的過程。如下為建立倒排索引的基本過程：

　　1，頁面分析的過程實(shí)際上是將原始頁面的不同部分進(jìn)行識別并標(biāo)記，例如：title、keywords、content、link、anchor、評論、其他非重要區(qū)域等等；

　　2，分詞的過程實(shí)際上包括了切詞分詞同義詞轉(zhuǎn)換同義詞替換等等，以對某頁面title分詞為例，得到的將是這樣的數(shù)據(jù)：term文本、termid、詞類、詞性等等；

　　3，之前的準(zhǔn)備工作完成后，接下來即是建立倒排索引，形成{termàdoc}，下圖即是索引系統(tǒng)中的倒排索引過程。

　　倒排索引是搜索引擎實(shí)現(xiàn)毫秒級檢索非常重要的一個環(huán)節(jié)，下面我們要重要介紹一下索引系統(tǒng)建立倒排索引的重要過程——入庫寫庫。

　　倒排索引的重要過程——入庫寫庫

　　索引系統(tǒng)在建立倒排索引的最后還需要有一個入庫寫庫的過程，而為了提高效率這個過程還需要將全部term以及偏移量保存在文件頭部，并且對數(shù)據(jù)進(jìn)行壓縮，這涉及到的過于技術(shù)化在此就不多提了。在此簡要給大家介紹一下索引之后的檢索系統(tǒng)。

　　檢索系統(tǒng)主要包含了五個部分，如下圖所示：

　?。?）Query串切詞分詞即將用戶的查詢詞進(jìn)行分詞，對之后的查詢做準(zhǔn)備，以“10號線地鐵故障”為例，可能的分詞如下（同義詞問題暫時略過）：

　　10 0x123abc

　　號 0x13445d

　　線 0x234d

　　地鐵 0x145cf

　　故障 0x354df

　?。?）查出含每個term的文檔集合，即找出待選集合，如下：

　　0x123abc 1 2 3 4 7 9…..

　　0x13445d 2 5 8 9 10 11……

　　……

　　……

　?。?）求交，上述求交，文檔2和文檔9可能是我們需要找的，整個求交過程實(shí)際上關(guān)系著整個系統(tǒng)的性能，這里面包含了使用緩存等等手段進(jìn)行性能優(yōu)化；

　?。?）各種過濾，舉例可能包含過濾掉死鏈、重復(fù)數(shù)據(jù)、色情、垃圾結(jié)果以及你懂的；

　?。?）最終排序，將最能滿足用戶需求的結(jié)果排序在最前，可能包括的有用信息如：網(wǎng)站的整體評價、網(wǎng)頁質(zhì)量、內(nèi)容質(zhì)量、資源質(zhì)量、匹配程度、分散度、時效性等等

　　影響搜索結(jié)果排序的因素

　　上面的內(nèi)容好象有些深奧，因?yàn)樯婕按罅考夹g(shù)細(xì)節(jié)，我們只能說到這兒了。那下面我們說說大家最感興趣的排序問題吧。用戶輸入關(guān)鍵詞進(jìn)行檢索，百度搜索引擎在排序環(huán)節(jié)要做兩方面的事情，第一是把相關(guān)的網(wǎng)頁從索引庫中提取出來，第二是把提取出來的網(wǎng)頁按照不同維度的得分進(jìn)行綜合排序?！安煌S度”包括：

　　1，相關(guān)性：網(wǎng)頁內(nèi)容與用戶檢索需求的匹配程度，比如網(wǎng)頁包含的用戶檢查關(guān)鍵詞的個數(shù)，以及這些關(guān)鍵詞出現(xiàn)的位置；外部網(wǎng)頁指向該頁面所用的錨文本等

　　2，權(quán)威性：用戶喜歡有一定權(quán)威性網(wǎng)站提供的內(nèi)容，相應(yīng)的，百度搜索引擎也更相信優(yōu)質(zhì)權(quán)威站點(diǎn)提供的內(nèi)容。

　　3，時效性：時效性結(jié)果指的是新出現(xiàn)的網(wǎng)頁，且網(wǎng)頁內(nèi)承載了新鮮的內(nèi)容。目前時效性結(jié)果在搜索引擎中日趨重要。

　　4，重要性：網(wǎng)頁內(nèi)容與用戶檢查需求匹配的重要程度或受歡迎程度

　　5，豐富度：豐富度看似簡單卻是一個覆蓋范圍非常廣的命題?？梢岳斫鉃榫W(wǎng)頁內(nèi)容豐富，可以完全滿足用戶需求；不僅可以滿足用戶單一需求，還可以滿足用戶的延展需求。

　　6，受歡迎程度：指該網(wǎng)頁是不是受歡迎。

　　以上便是百度搜索引擎決定搜索結(jié)果排序時考慮的六大原則，那么六大原則的側(cè)重點(diǎn)是怎樣的呢？哪個原則在實(shí)際應(yīng)用時占比最大呢？其實(shí)在這里沒有一個確切的答案。在百度搜索引擎早期，這些閾值的確是相對固定的，比如“相關(guān)性”在整體排序中的重量可以占到七成。但隨著互聯(lián)網(wǎng)的不斷發(fā)展，檢索技術(shù)的進(jìn)步，網(wǎng)頁數(shù)量的爆發(fā)式增長，相關(guān)性已經(jīng)不是難題。于是百度搜索引擎引入了機(jī)器學(xué)習(xí)機(jī)制，讓程序自動產(chǎn)出計算公式，推進(jìn)排序策略更加合理。

　　低質(zhì)網(wǎng)頁狙擊策略——石榴算法

　　我們理解網(wǎng)站生存發(fā)展需要資金支持，從來不反對網(wǎng)站添加各種合法廣告，不要再問我們“我們網(wǎng)站加了XX聯(lián)盟的廣告會不會被處罰”這類問題。有些站點(diǎn)好不容易在百度有了比較好的排位，卻在頁面上放置大量有損訪問用戶體驗(yàn)的廣告，已經(jīng)嚴(yán)重影響到百度搜索引擎用戶的使用感受。為此，百度質(zhì)量團(tuán)隊2013年5月17日發(fā)布公告：針對低質(zhì)量網(wǎng)頁推出了石榴算法，旨在打擊含有大量妨礙用戶正常瀏覽的惡劣廣告的頁面，尤其是彈出大量低質(zhì)廣告、存在混淆頁面主體內(nèi)容的垃圾廣告的頁面。

　　如以下網(wǎng)頁截圖，用戶要花很長時間去尋找真正的下載地址，是百度無法接受容忍的。

　　百度質(zhì)量團(tuán)隊希望站長能夠多從用戶角度出發(fā)，朝著長遠(yuǎn)發(fā)展考慮，在不影響用戶體驗(yàn)的前提下合理地放置廣告，贏得用戶的長期青睞才是一個網(wǎng)站發(fā)展壯大的基礎(chǔ)。

　　第三節(jié)-外部投票

　　外鏈的作用（2014版）

　　曾經(jīng)，“內(nèi)容為王超鏈為皇”的說法流行了很多年，通過超鏈計算得分來體現(xiàn)網(wǎng)頁的相關(guān)性和重要性，的確曾經(jīng)是搜索引擎用來評估網(wǎng)頁的重要參考因素之一，會直接參與搜索結(jié)果排序計算。但隨著該技術(shù)被越來越多的SEO人員了解，超鏈已經(jīng)逐漸失去作為投票的重要意義，無論是谷歌還是百度，對超鏈數(shù)據(jù)的依賴程度都越來越低。那么，在現(xiàn)在，超鏈在發(fā)揮著怎樣的作用？

　　1， 吸引蜘蛛抓?。弘m然百度在挖掘新好站點(diǎn)方面下了很大工夫，開放了多個數(shù)據(jù)提交入口，開避了社會化發(fā)現(xiàn)渠道，但超鏈依然是發(fā)現(xiàn)收錄鏈接的最重要入口。

　　2， 向搜索引擎?zhèn)鬟f相關(guān)性信息：百度除了通過TITLE、頁面關(guān)鍵詞、H標(biāo)簽等對網(wǎng)頁內(nèi)容進(jìn)行判斷外，還會通過錨文本進(jìn)行鋪助判斷。使用圖片作為點(diǎn)擊入口的超鏈，也可以通過alt屬性和title標(biāo)簽向百度傳情達(dá)意。

　　3， 提升排名：百度搜索引擎雖然降低了對超鏈的依賴，但對超鏈的識別力度從未下降，制定出更加嚴(yán)格的優(yōu)質(zhì)鏈接、正常鏈接、垃圾鏈接和作弊鏈接標(biāo)準(zhǔn)。對于作弊鏈接，除了對鏈接進(jìn)行過濾清理外，也對鏈接的受益站進(jìn)行一定程度的懲罰。相應(yīng)的，對優(yōu)質(zhì)鏈接，百度依然持歡迎的態(tài)度。