|
发表于 2012-9-2 15:22:33
|
显示全部楼层
|阅读模式
来自 中国–江苏–南京–鼓楼区
一、匍匐和抓取
查找引擎派出一个可以在网上发现新网页并抓取文件的顺序,这个顺序一般被称为蜘蛛(spider)或机器人(robot)。查找引擎蜘蛛从数据库中已知的网页开端动身,就像正常用户的浏览器相同拜访这些网页并抓取文件。 而且查找引擎蜘蛛会盯梢网页上的链接,拜访更多网页,这个进程就叫匍匐(crawl)。当经过链接发现有新的网址时,蜘蛛将把新网址记载入数据库等候抓取。盯梢网页链接是查找引擎蜘蛛发现新网址的最基本方法,所以反向链接成为查找引擎优化的最基本要素之一。没有反向链接,查找引擎连页面都发现不了,就更谈不上排名了。 查找引擎蜘蛛抓取的页面文件与用户浏览器得到的彻底相同,抓取的文件存入数据库。
二、索引
查找引擎索引顺序把蜘蛛抓取的网页文件分化、剖析,并以宏大表格的方式存入数据库,这个进程就是索引(index)。在索引数据库中,网页文字内容,关键字呈现的方位、字体、色彩、加粗、斜体等关联信息都有相应记载。 查找引擎索引数据库存储巨量数据,干流查找引擎一般都存有几十亿级另外网页。
三、查找词处置
用户在查找引擎界面输入关键字,单击“查找”按钮后,查找引擎顺序即对输入的查找词进行处置,如中文特有的分词处置,对关键字词序的别离,去除中止词,判别能否需求发动结合查找,判别能否有拼写错误或错别字等状况。查找词的处置必须非常疾速。
四、排序
对查找词进行处置后,查找引擎排序顺序开端任务,从索引数据库中找出一切包括查找词的网页,而且依据排名算法核算出哪些网页应该排在前面,然后按必定格局回来“查找”页面。 排序进程虽然在一两秒钟之内就完结并回来用户所要的查找成果,实际上这是一个非常杂乱的进程。排名算法需求实时从索引数据库中找出一切关联页面,实时核算关联性,参加过滤算法,其杂乱程度是外人无法幻想的。查找引擎是当今规划最大、最杂乱的核算体系之一。
|
|