百度谷歌等搜索引擎工作原理及抓取方法
时间:2014-04-07 | 作者:本站整理 | 阅读:709搜索引擎
搜索引擎是指根据一定的策略、运用特定的计算机程序从互联网上搜集信息,在对信息进行组织和处理后,为用户提供检索服务,将用户检索相关的信息展示给用户的系统。搜索引擎包括全文索引、目录索引、元搜索引擎、垂直搜索引擎、集合式搜索引擎、门户搜索引擎与免费链接列表等。百度和谷歌等是搜索引擎的代表。
工作原理
第一步:爬行
搜索引擎是通过一种特定规律的软件跟踪网页的链接,从一个链接爬到另外一个链接,像蜘蛛在蜘蛛网上爬行一样,所以被称为“蜘蛛”也被称为“机器人”。搜索引擎蜘蛛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,很可能就不再爬行。
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。
⒈提取文字
⒉中文分词
⒊去停止词
⒋消除噪音(搜索引擎需要识别并消除这些噪声,比如版权声明文字、导航条、广告等……)
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以文字为基础的多种文件类型,如 PDF、Word、WPS、XLS、PPT、TXT 文件等。我们在搜索结果中也经常会看到这些文件类型。 但搜索引擎还不能处理图片、视频、Flash 这类非文字内容,也不能执行脚本和程序。
第四步:排名
用户在搜索框输入关键词后,排名程序调用索引库数据,计算排名显示给用户,排名过程与用户直接互动的。但是,由于搜索引擎的数据量庞大,虽然能达到每日都有小的更新,但是一般情况搜索引擎的排名规则都是根据日、周、月阶段性不同幅度的更新。
福利游戏
相关文章
更多精选合集
更多大家都在玩
热门话题
大家都在看
更多-
- 铜雀阁腾讯定档1126 契约夫妻假戏真做患难与共
- 时间:2024-11-25
-
- 腾讯会员首更4集 电视剧不讨好的勇气追剧日历分享
- 时间:2024-11-25
-
- 腾讯会员首日更新4集 电视剧斗罗大陆之燃魂战追剧日历一览
- 时间:2024-11-25
-
- 崩坏:星穹铁道不可知域挂机详细操作指南
- 时间:2024-11-25
-
- 崩坏:星穹铁道星期日和景元抽取指南
- 时间:2024-11-25
-
- 崩坏:星穹铁道2.7前瞻活动详细解析
- 时间:2024-11-25
-
- 崩坏:星穹铁道2.7版本登录领取常驻五星角色详细解析
- 时间:2024-11-25
-
- 崩坏:星穹铁道大黑塔最强阵容搭配指南
- 时间:2024-11-25