搜索引擎的工作原理
第一步:爬行
搜索引擎是通过一种特定的规律的软件跟踪网页的链接,从一个链接爬到另一个链接,像蜘蛛在蜘蛛网上爬行一样,所以被称为“蜘蛛”,也被称为是“机器人”。搜索引擎的爬行是被输入了一定的规则的,它需要遵从一些命令或文件的内容。
第二步:抓取存储
搜索引擎是通过蜘蛛跟踪链接爬行到网页,并将爬行的数据存入到原始页面数据库。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时,也做一定的重复内容的检测,一旦遇到权重很低的网站上有大量抄袭,采集或者复制的内容,很有可能就不再爬行了。
第三步:预处理
搜索引擎将蜘蛛抓取回来的页面,进行各种步骤的预处理1.提取文字
2.中文分词
3.去停止词
4.消除噪音
5.正向索引
6.倒排索引
7.链接关系计算
8.特殊文件处理
除了HTML文件外,搜索引擎通常还能抓取和索引文件为基础的多种文件类型,如PDF,Word,WPS,PPT等。但是搜索引擎还不能处理图片,视频,Flash等这类非文字内容,也不能执行脚本和程序。