了解搜索引擎技术

转载 2012年03月26日 08:25:04

此文纯理论知识,很不错的搜索引擎的资料。

搜索引擎的定义

搜索引擎是传统IR技术在Web环境中的应用。一般来说,搜索引擎是一种用于帮助用户在Internet上查询信息的搜索工具,它以一定的策略在Internet中搜索,发现信息,对信息进行理解,提取,组织和处理,并为用户提供检索服务,从而起到信息导航的目的。

搜索引擎的体系结构

典型的搜索引擎结构一般由以下三个模块组成:信息采集模块(Crawler),索引模块(Indexer),查询模块(Searcher)。

Crawler:从web中采集网页数据
Indexer:对Crawler采集数据进行分析生成索引。
Searcher:接受查询请求,通过一定的查询算法获取查询结果,返回给用户。

-->Crawler
Crawler负责页面信息的采集,工作实现基于以下思想:既然所有网页都可能链接到其他网站,那么从一个网站开始,跟踪所有网页上的所有链接,就有可能检索整个互联网。Crawler首先从待访问URL队列中获取URLs,根据URL从中抓取网页数据,然后对网页进行分析,从中获取所有的URL链接,并把它们放到待访问的URL队列中,同时将已访问URL移至已访问的URL队列中。不断重复上面的过程。
Crawler存在以下的关键问题:
>多线程抓取时的任务调度问题:
搜索引擎会产生多个Crawler同时对网页进行抓取,这里需要一个好的分布式算法,使得既不重复抓取网页,又不漏掉重要的站点。
>网页评估
在抓取网页时存在一定的取舍,一般只会抓20%左右的网页。评估算法中典型的油Google发明的Pgaerank。
>更新策略
每经过一段时间,Crawler对以抓取的数据经行更新,保证索引网页是最新的。
>压缩算法
网页抓取后,通过一定的压缩机制保存到本地,从而减少存储容量,同时也减少各服务器之间的网络通信开销

-->Indexer
搜索引擎在完成用户的检索请求时,并不是即时的检索Web数据,而是从预先采集的网页数据中获取。要实现对采集页面的快速访问,必须通过某种检索机制来完成。
页面数据可以用一系列关键字来表示,从检索毙敌来说,这些关键词描述了页面的内容,只要找到页面,便可以找到其中的关键词,反过来,通过关键词对页面创建索引,便可以根据关键字快速的找到相应的网页。

Indexer中存在的问题:
>索引存储:
一般来讲,数据量和索引量的比例接近1:1。索引的存储一般采用分布式策略,检索的数据分布在不同的服务器上。Google存储索引的服务器大概有1000多台。
>索引更新:
页面数据更新时,索引数据必须相应的更新。更新策略一般采用增量索引方式。
>索引压缩:
索引也存在数据压缩的问题。索引压缩是通过对具体索引格式的研究实现压缩。
>网页相似性支持:
索引的结构还必须为网页相似性分析提供支持。
>多语言,多格式支持:
网页数据具有多种编码格式,通过Unicode,索引支持多种编码查询。同时索引还必须有对Word,Excel等文件格式进行分析的功能。

-->Searcher
Searcher是直接与用户进行交互的模块,在接口上有多种实现的方式,常见的主要是Web方式。
Searcher通过某种接口方式,接受用户查询,对查询进行分词(stemming)处理,获取查询关键字。通过Indexer获取与查询关键字匹配的网页数据,经过排序后返回给用户。
Searcher中的问题:
>检索结果的排序:
对不同的用户采用不同的排序策略。
>排序结果排重:
排重可以提高结果数据的质量。
>检索结果的相似性分析:
主要用在类似网页功能中,需要在索引结构中提供支持。
>检索的速度:
主要依赖索引结构的设计。同时在体系结构上还有很多技术可以用来提升速度。如:Cache,负载均衡等。

相关核心技术:

分布式技术:
当搜索引擎处理数据达到一定规模时,为了提高系统的性能,必须采用分布式技术。Crawler通过多个服务器互相合作,提高数据采集的速度。Indexer在生成索引数据时通过并行算法,在不同机器上同时进行。Searcher也可以在不同的机器上进行同时查询,提高速度。
中文分词:
分词就是将连续的字序列按照一定的规范重新组合成词序列的过程。现有分词算法可以分为三大类:基于字符串比配的的分词方法,基于理解的分词方法和基于统计的分词方法。
网页排序:
现在搜索引擎中网页的 排序主要利用了页面间的链接关系,描述链接的文本以及文本自身内容,重要的链接分析算法有Hits和Pagerank,HillTop等。
海量数据存储:
搜索引擎的挑战之一就是处理数据的巨大,如何存储如此大的数据,数据的更新,快速的检索...
压缩技术:
压缩技术极大的减少了数据的大小,对于不同类型的数据,需要采用不同的压缩方法,主要的数据压缩主要有:网页数据的压缩和索引数据的压缩。选择压缩技术主要从开放性,速度与压缩比等多方面进行综合考虑。Google中选择了Alib(RFC1950)进行压缩,在压缩速度上Zlib超过Bzip,压缩比上Bzip好于Zlib。



    文章作者:高维鹏(Brian)
    文章出处:http://www.cnblogs.com/gaoweipeng
    欢迎转载,转载时请注明出处。谢谢合作。

深度解析搜索引擎的原理结构

【说明】本文转自:http://www.mahaixiang.cn/seoyjy/246.html  深度解析搜索引擎的原理结构 对于我们这些做网站优化的来说,如果不懂搜索引擎的原理就来...
  • JXH_123
  • JXH_123
  • 2015年05月14日 21:45
  • 1231

电商搜索引擎实践(工程篇)

随着互联网数据规模的爆炸式增长, 如何从海量的历史, 实时数据中快速获取有用的信息, 变得越来越有挑战性. 一个中等的电商平台, 每天都要产生百万条原始数据, 上亿条用户行为数据. 一般来说, 电商数...
  • abv123456789
  • abv123456789
  • 2016年03月27日 22:16
  • 4111

全文检索Lucene和Solr简介

在电商项目中,经常会遇到的是海量数据的查询。如果在海量数据中进行查询的话,使用sql语句进行查询的话,效率非常的低。        使用Lucene和Solr就是为了解决这种问题的。首先,Lucen...
  • zc474235918
  • zc474235918
  • 2016年04月25日 19:49
  • 1264

30天了解30种技术系列---(10)面向Cloud的搜索引擎 ElasticSearch

什么是Lucene   Lucene是apache软件基金会4 jakarta项目组的一个子项目,是一个开放源代码的全文检索引擎工具包,即它不是一个完整的全文检索引擎,而是一个全文检索引擎...
  • jack19881225
  • jack19881225
  • 2015年08月17日 10:02
  • 220

ElasticSearch48:初识搜索引擎_上机动手实战基于scroll技术滚动搜索大量数据

1.为什么使用srcoll滚动搜索 问题:如果一次性查询出100000条数据,那么性能会很差,此时一般会采用scroll滚动查询,一批一批的查,知道所有数据都查询完。 使用scroll滚动搜索...
  • m0_37557582
  • m0_37557582
  • 2018年01月08日 09:19
  • 31

分词技术在搜索引擎优化中的运用

分词技术发展到现在,已经很高级了。我们可以相见的一点是:搜索引擎可以通过对切分后的关键词进行同义词替换,来更精确的为用户提供内容。这里我们有例子,在百度搜索“分词技术在seo中的应用”时,出现在第三位...
  • u013274824
  • u013274824
  • 2013年12月25日 14:22
  • 494

ElasticSearch学习笔记 --- 搜索引擎技术选型对比

ElasticSearch学习笔记 --- 搜索引擎技术选型对比
  • u012965373
  • u012965373
  • 2017年06月13日 15:36
  • 558

(Embedding graph)嵌入图 搜索引擎 技术

详见文献-Fuzzy multi level graphe mbedding
  • jc69186918
  • jc69186918
  • 2014年06月01日 03:59
  • 355

SEO优化技术搜索引擎的工作原理

从一个链接爬行到另外一个链接,像蜘蛛在蜘蛛网上爬行一样, 所以引擎程序被称为“蜘蛛”也被称为“机器人”。不同的搜索引擎说法也不一定,像百度的被称为,蜘蛛.谷歌的被称为机器人,搜狗的被称为:机器人,但是...
  • yuerty1210
  • yuerty1210
  • 2016年07月11日 22:56
  • 179

从0到1学搜索:搜索引擎的基本技术逻辑(一)

最近在做搜索相关的项目。虽然谷歌和百度用了不知道多少年了,但此前可以说在搜索技术上是纯小白。于是最近恶补了一些相关知识。好久没有从零开始接触一个全新领域了,虽然有点焦头烂额,但过程中越来越感到乐趣。边...
  • aliankg
  • aliankg
  • 2017年02月13日 10:24
  • 363
内容举报
返回顶部
收藏助手
不良信息举报
您举报文章:了解搜索引擎技术
举报原因:
原因补充:

(最多只允许输入30个字)