引擎搜索(Search Engine)是指根据一定的策略、从互联网上采集信息运用特定的计算机程序,在对信息进行组织和处理后,为用户提供搜索服务,将用户搜索相关的信息展示给用户 用户的系统。搜索引擎包括全文索引、目录索引、元搜索引擎、垂直搜索引擎、集合式搜索引擎、门户搜索引擎和免费链接列表等。
工作原理
第一步:爬行
搜索引擎是通过一种特定规律的软件跟踪网页的链接,从一个链接爬到另外一个链接,就像蜘蛛在蜘蛛网上爬行一样,所以被称为“ 蜘蛛”也被称为“机器人”。引擎搜索蜘蛛的爬行是被输入了一定的规则的,它需要遵守一些命令或文件的内容。
第二步:抓取存储 p>
搜索引擎是通过蜘蛛跟踪链接爬行到网页,把爬行的数据存入原始页面数据库。其中的页面数据与用户浏览器得到的HTML是完全一样的。搜索引擎蜘蛛在抓取页面 这时,也要做一定的重复内容检测,一旦遇到权重低的网站上有大量抄袭、采集或者复制的内容,很可能就不再爬行了。
第三步:毁< /p>
搜索引擎将蜘蛛抓取回来的页面,进行各种步骤的损失。
⒈提取文字
⒉中文词
⒊消除噪音(搜索引擎需要识别并消除这些噪音,比如版权声明去文字、导航条、广告等……)
5.正向索引
6.倒排索引
7.链接关系计算
8.特殊文件处理
除HTML文件外,搜索引擎 通常可以抓取和索引以文字为基础的多种文件类型,如
PDF、Word、WPS、XLS、PPT、TXT文件等。我们的搜索结果中也经常会看到这些 文件类型。但搜索还不能处理图片、视频、Flash
这类非文字内容,也不能执行脚本和程序。
第四步:排名
用户在搜索框输入关键词后,排名程序调用索引库数据,计算排名显示给用户,排名过程与用户直接交互的。但是,由于搜索引擎的数据量庞大,虽然能够达到每日都有 小的更新,但是一般情况搜索引擎的排名规则都是根据日、周、月阶段性不同幅度的更新。
选择
与网站内容相关
搜索次数多,竞争小
主要关键词,不可太宽泛
主要关键词,不太特殊
商业价值
提取文字
中文分词
去停止词
消除
噪声去重
正 向索引
倒排索引
链接关系计算
特殊文件处理