搜索引擎的工作原理大致可以分为三个阶段

搜寻引擎的工作原理大致可以分为三个阶段：爬行和抓取、预处理、排名一、爬行和抓取搜寻引擎用来爬行和访问页面的程序被称为蜘蛛(spider),也称为机器人(bot)。搜寻引擎蜘蛛访问网站页面时类似于一般用户使用的扫瞄器，蜘蛛程序发出页面访问恳求后，服务器返回HTML代码，蜘蛛程序把收到的代码存入原始页面数据库。为了提高爬行和抓取速度,搜寻引擎都是使用多个蜘蛛并发分布爬行。蜘蛛访问任何一个网站时都会先访问网站根名目下的robots.txt文件，吐过robots.txt文件禁止搜寻引擎抓取某些文件或者名目，蜘蛛将遵守合同，不抓取被禁止的网址。所以robots.txt文件对一个网站来说是至关重要的。为了抓取网上尽量多的页面，搜素引擎蜘蛛会跟踪页面上的链接，从一个页面爬行到下一个页面，就似乎蜘蛛在蜘蛛网上爬行一样，这就是搜素引擎蜘蛛名称的由来。最简洁的爬行遍历策略分为两种：深度优先、广度优先深度优先：蜘蛛沿着发觉的链接始终向前爬行，直到前面再也没有其他链接，然后返回到第一个页面，沿着另一个链接再始终往前爬行。广度优先：蜘蛛在一个页面上发觉多个链接时，不是顺着一个链接始终向前，而是把页面上全部第一层链接都爬一遍，然后再沿着其次层页面上发觉的链接爬向第三层页面。通常这两种爬行策略时混合使用的。吸引蜘蛛的方法：♦提高网站和页面的权重，♦提高页面更新度，♦高质量的导入链接，♦与首页点击距离近为了避开重复爬行和抓取网址，搜寻引擎会建立一个地址库，纪录已经被发觉还没有抓取的页面和已经被抓取的页面。地址库来源：♦人工录入的种子网站，♦蜘蛛从抓取页面获得的地址库中没有的网址,♦站长通过搜寻引擎网页提交表格提交进来的网址蜘蛛爬行的时候也会进行简洁的复制内容检测，假如遇到权重很低的网站上大量转载或抄袭内容时，很可能不再连续爬行，这也是许多权重低的网站页面更新的许多很快但却没有被收录的缘由之一。二、预处理•提取文字：搜寻引擎预处理首先要做的就是从HTNL文件中去除标签、程序，提取出可以用于排名处理的网页文字内容（还包括META标签中的文字、图片替代文字、FLASH文件替代文字、链接锚点文字等）。・中文分词：这一步在中文搜寻引擎中才会用到。中文分词一般分为两类：字典匹配、基于统计。字典匹配：将待分析的一段汉字与一个事先造好的词典中的词条进行匹配，在待分析汉字串中扫描到词典中已有的词条则匹配胜利，或者说切分出一个单词。基于统计：分析大量文字样本，计算出字与字相邻消失的统计概率,几个字相邻消失越多，就越可能形成一个单词。•去停止词：搜寻引擎在索引页面之前会去掉一些停止词，如：“的”、“地”、“得”之类的助词，“啊”、“哈”、“呀”之类的感叹词，“从而”、“以”、“却”之类的副词或介词。・消退噪声：搜寻引擎需要识别并消退噪声，排名时不使用噪声内容，基本方法是依据HTML标签对页面分块，区分出页头、正文、页脚、广告等区域，在网站上大量重复消失的区块往往属于噪声，对页面消噪后剩下的才是页面的主体内容。•去重：同一篇文章常常重复消失在不同网站及同一个网站的不同网址上，搜寻引擎并不喜爱则好重啊个重复性的内容，搜寻引擎盼望只返回相容文章的一篇，所以在惊醒索引前还需要识别和删除重复内容,这个过程就成为“去重”。・正向索引：搜寻引擎索引程序将页面及关键字形成词表结构存储进索引库，每个文件都对应一个文件ID,文件内容被表示为一串关键词的组合。实际上在搜寻引擎索引库中，关键词也已经转换成为关键词ID,这样的数据结构就称为正向索引。•倒排索引：搜寻引擎将正向索引数据库重新构造为倒排索引，把文件对应到关键词的映射转换为关键词到文件的映射。・链接关系计算：主要体现就是Google的PR值，搜狗的SR值等•特别文件处理：搜寻引擎有时也会抓取除HTML文件以外的文件，如：PDF、Word、WPS、XLS、PPT、TXT文件等三、排名・搜寻词处理：★中文分词，★去停止词，★指令处理（及分词后的关键词规律关系，通常是“与"规律），★拼写错误矫正，★整合搜寻触发（