|
第一步:搜索引擎抓取互联网的网页。
抓取网页的程序我们称之为“蜘蛛”,我们长说的“百度蜘蛛”、“google蜘蛛”就是指的百度、谷歌的爬取程序。搜索引擎蜘蛛会按照你的URL进行爬取。每当搜索蜘蛛爬取一个网页的时候他看到一个新的URL就会顺着这个URL爬下去。他会把爬取的内容返回到搜索引擎的索引数据库。
蜘蛛的主要作用就是爬取,蜘蛛爬取的是网站程序的代码。
第二步:程序爬取的内容返回到索引数据库。
索引数据库对网页信息进行处理,(包括网页所在URL、编码类型、页面内容包含的所有关键词、关键词位置、生成时间、大小、与其它网页的链接关系等)。
网页分析之后, 会对网页进行评价。
如果是网上重复度太多的内容,索引数据库则舍弃这个网页。
每个被收录的网站都会在搜索引擎的索引数据库中有相应的储存,我们在可以直接看到的 就是百度快照。 搜索引擎是按照 他的索引数据库上的信息对网站进行排序的。
索引数据库中 还包含每个网站的导入链接 导出链接等信息。
第三步:索引数据库中排序
当用户输入一个关键词或者是一句话的时候,搜索引擎首先分析这个词或者这句话 ,他会对用户输入的关键词进行分词,然后在索引数据库中 进行相应的关键词排序结果输出。
我总结一般搜索引擎会把用户输入的关键词分为三种。
1.少于三个字的关键词
2.常用词,比如:名人、电影名、地名等。
3.四个或者四个以上的普通组合关键词。
其中前两种都不不需要进行分词。 只有第三种需要分词. 大概总结流程就是 抓取 --- 分析、存储 -- 排序输出 。
|
|