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。

相关文章推荐

从0到1学搜索:搜索引擎的基本技术逻辑(二)

(3)速度 这其实是一个普遍性问题。没有一种软件产品不希望自己越快越好。更何况是数十亿人每天都在使用的搜索引擎了。提升速度主要有三个方面: 第一,硬件发展。拜摩尔定律所赐,即使其他不做任何优化...
  • aliankg
  • aliankg
  • 2017年05月12日 15:27
  • 223

基于数据挖掘的搜索引擎技术(1)

robot:机器人是Robot英文直译,在搜索引擎优化SEO中,我们经常翻译为:探测器。有时,你会碰到crawlew(爬行器),spider(蜘蛛),都是探测器之一,只是叫法不同。 当一个搜...
  • boom_j
  • boom_j
  • 2016年10月31日 09:27
  • 309

搜索引擎技术揭密:网络蜘蛛

(1) the original article seems to be here: http://www.enet.com.cn/article/2004/0718/A20040718325400....

搜索引擎反作弊之:整体技术思路

本文节选自《这就是搜索引擎:核心技术详解》第八章      如上所述,目前搜索引擎作弊手段五花八门,层出不穷,作为应对方的搜索引擎,也相应调整技术思路,不断有针对性地提出反作弊的技术方案,所以如果整...

搜索引擎重复网页发现技术分析

中科院软件所张俊林TIMESTAMP:2006年6月1日一.介绍统计结果表明,近似镜像网页数占总网页数的比例高达全部页面的29%,而完全相同的页面大约占全部页面的22%。这些重复网页有的是没有一点改动...

开源搜索引擎Lucene---学习笔记(1) 信息检索技术(Information retrieval)中的基本理论

Lucene是一种非常优秀的开源搜索引擎。 因为 最近在看《Lucene 3.0 原理与代码分析完整版》,所以决定写下学习笔记。 大家可以去看看其作者的博客: http://forfut...
  • cyh24
  • cyh24
  • 2012年09月01日 15:10
  • 2480

《这就是搜索引擎-核心技术详解》简单梳理+一些知识图谱的知识

《这就是搜索引擎-核心技术详解》,我挺喜欢这本书的,深入浅出让读者明白一个搜索引擎的大体架构和各个部分的经典技术手段。一、相关概念(1)搜索引擎的3个核心问题: 理解用户真正的需求(主要第九章用户查询...

搜索引擎技术之概要预览

搜索引擎技术之概要预览前言    近些天在学校静心复习功课与梳理思路(找工作的事情暂缓),趁闲暇之际,常看有关搜索引擎相关技术类的文章,接触到不少此前未曾触碰到的诸多概念与技术,如爬虫,网页抓取,分词...
  • v_JULY_v
  • v_JULY_v
  • 2011年09月27日 20:04
  • 46895

搜索引擎技术简介

http://blog.csdn.net/v_july_v/article/details/6827391 搜索引擎技术之概要预览 前言     近些...

搜索引擎的设计与实现(二)技术选型--爬虫

前面提到了搜索引擎的4各组成部分,但在个人理解中,可以笼统的分为3个部分,如下图所示: 现在针对采集器,进行技术选型。 由于我熟悉的是Java语言,且做的是垂直搜索引擎(针对手机,虽然最后...
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)