搜索引擎的工作原理

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。

第四步：排名

用户在搜索框中输入关键字后，排名程序调用索引库数据，计算排名给用户，排名的过程与用户直接交互。但是，由于搜索引擎的数据量庞大，虽然达到每日都有小的更新，但是一般情况下，但是根据日，周，月阶段性不同幅度的更新。