搜索引擎的工作的過程非常復雜，而簡單的講搜索引擎的工過程大體可以分成三個階段。爬行和抓?。核阉饕嬷┲胪ㄟ^跟蹤鏈接訪問頁面，獲取頁面HTML代碼存入數(shù)據(jù)庫。預處理：搜索贏球?qū)ψト淼捻撁鏀?shù)據(jù)文字進行文字提取、中文分詞、索引等處理，以備排名程序調(diào)用。排名：用戶輸入關(guān)鍵字后，排名調(diào)用索引庫數(shù)據(jù)，計算相關(guān)性，然后按一定格式生成搜索結(jié)果頁面。 　　爬行和抓取 　　爬行和抓取是搜索引擎工作的第一步，完成數(shù)據(jù)收集任務。 　　蜘蛛 　　搜索引擎用來爬行和訪問頁面的程序被稱為蜘蛛(spider)，也稱為機器人(bot)。 　　蜘蛛代理名稱： 　　百度蜘蛛：Baiduspider+(+http://www.baidu.com/search/spider.htm) · 　　雅虎中國蜘蛛：Mozilla/5.0 (compatible; Yahoo! Slurp China; http://misc.yahoo.com.cn/help.html) · 　　英文雅虎蜘蛛：Mozilla/5.0 (compatible; Yahoo! Slurp/3.0; http://help.yahoo.com/help/us/ysearch/slurp) 　　Google 蜘蛛：Mozilla/5.0 (compatible; Googlebot/2.1; +http://www.google.com/bot.html) · 　　微軟 Bing 蜘蛛：msnbot/1.1 (+http://search.msn.com/msnbot.htm)· 　　搜狗蜘蛛： Sogou+web+robot+(+http://www.sogou.com/docs/help/webmasters.htm#07) · 　　搜搜蜘蛛：Sosospider+(+http://help.soso.com/webspider.htm) · 　　有道蜘蛛：Mozilla/5.0 (compatible; YodaoBot/1.0; http://www.yodao.com/help/webmaster/spider/; ) 　　跟蹤鏈接 　　為了抓取網(wǎng)上盡量多的頁面，搜索引擎蜘蛛會跟蹤頁面上的鏈接，從一個頁面爬到下一個頁面，就好像蜘蛛在蜘蛛網(wǎng)上爬行那樣，這也就是搜索引擎蜘蛛這個名稱的由來。最簡單的爬行遍歷策略分為兩種，一是深度優(yōu)先，二是廣度優(yōu)先。 　　深度優(yōu)先搜索 　　深度優(yōu)先搜索就是在搜索樹的每一層始終先只擴展一個子節(jié)點，不斷地向縱深前進直到不能再前進(到達葉子節(jié)點或受到深度限制)時，才從當前節(jié)點返回到上一級節(jié)點，沿另一方向又繼續(xù)前進。這種方法的搜索樹是從樹根開始一枝一枝逐漸形成的。 　　深度優(yōu)先搜索亦稱為縱向搜索。由于一個有解的問題樹可能含有無窮分枝，深度優(yōu)先搜索如果誤入無窮分枝(即深度無限)，則不可能找到目標節(jié)點。所以，深度優(yōu)先搜索策略是不完備的。另外，應用此策略得到的解不一定是最佳解(最短路徑)。 　　廣度優(yōu)先搜索 　　在深度優(yōu)先搜索算法中，是深度越大的結(jié)點越先得到擴展。如果在搜索中把算法改為按結(jié)點的層次進行搜索， 本層的結(jié)點沒有搜索處理完時，不能對下層結(jié)點進行處理，即深度越小的結(jié)點越先得到擴展，也就是說先產(chǎn)生 的結(jié)點先得以擴展處理，這種搜索算法稱為廣度優(yōu)先搜索法。 　　在深度優(yōu)先搜索算法中，是深度越大的結(jié)點越先得到擴展。如果在搜索中把算法改為按結(jié)點的層次進行搜索， 本層的結(jié)點沒有搜索處理完時，不能對下層結(jié)點進行處理，即深度越小的結(jié)點越先得到擴展，也就是說先產(chǎn)生 的結(jié)點先得以擴展處理，這種搜索算法稱為廣度優(yōu)先搜索法。 　　吸引蜘蛛 　　哪些頁面被認為比較重要呢?有幾方面影響因素： 　　網(wǎng)站和頁面權(quán)重。質(zhì)量高、資格老的網(wǎng)站被認為權(quán)重比較高，這種網(wǎng)站上的頁面被爬行的深度也會比較高，所以會有更多內(nèi)頁被收錄。 　　頁面更新度。蜘蛛每次爬行都會把頁面數(shù)據(jù)存儲起來。如果第二次爬行發(fā)現(xiàn)頁面與第一次收錄的完全一樣，說明頁面沒有更新，蜘蛛也就沒有必要經(jīng)常抓取。如果頁面內(nèi)容經(jīng)常更新，蜘蛛就會更加頻繁地訪問這種頁面，頁面上出現(xiàn)的新鏈接，也自然會被蜘蛛更快跟蹤，抓取新頁面。 　　導入鏈接。無論是外部鏈接還是同一個網(wǎng)站的內(nèi)部鏈接，要被蜘蛛抓取就必須有導入鏈接進入頁面，否則蜘蛛根本沒有機會知道頁面的存在。高質(zhì)量的導入鏈接也經(jīng)常使頁面上的導出鏈接被爬行深度增加。一般來說網(wǎng)站上權(quán)重最高的是首頁，大部分外部鏈接是指向首頁，蜘蛛訪問最頻繁的也是首頁。離首頁點擊距離越近，頁面權(quán)重越高，被蜘蛛爬行的機會也越大。 　　地址庫 　　為了避免重復爬行和抓取網(wǎng)址，搜索引擎會建立一個地址庫，記錄已經(jīng)被發(fā)現(xiàn)還沒有抓取的頁面，以及已經(jīng)被抓取的頁面。地址庫中的uRL有幾個來源： 　　(1)人工錄入的種子網(wǎng)站。 　　(2)蜘蛛抓取頁面后，從HTML中解析出新的鏈接uRL，與地址庫中的數(shù)據(jù)進行對比，如果是地址庫中沒有的網(wǎng)址，就存入待訪問地址庫。 　　(3)站長通過搜索引擎網(wǎng)頁提交表格提交進來的網(wǎng)址。 　　蜘蛛按重要性從待訪問地址庫中提取uRL，訪問并抓取頁面，然后把這個uRL從待訪問地址庫中刪除，放進已訪問地址庫中。 　　大部分主流搜索引擎都提供一個表格，讓站長提交網(wǎng)址。不過這些提交來的網(wǎng)址都只是存入地址庫而已，是否收錄還要看頁面重要性如何。搜索引擎所收錄的絕大部分頁面是蜘蛛自己跟蹤鏈接得到的?？梢哉f提交頁面基本t是毫無用處的，搜索引擎更喜歡自己沿著鏈接發(fā)現(xiàn)新頁面。 　　文件存儲搜索引擎蜘蛛抓取的數(shù)據(jù)存入原始頁面數(shù)據(jù)庫。其中的頁面數(shù)據(jù)與用戶瀏覽器得到的HTML是完全一樣的。每個uRI，都有一個獨特的文件編號。 　　爬行時的復制內(nèi)容檢測 　　檢測并刪除復制內(nèi)容通常是在下面介紹的預處理過程中進行的，但現(xiàn)在的蜘蛛在爬行和抓取文件時也會進行定程度的復制內(nèi)容檢測。遇到權(quán)重很低的網(wǎng)站上大量轉(zhuǎn)載或抄襲內(nèi)容時，很可能不再繼續(xù)爬行。這也就是有的站長在日志文件中發(fā)現(xiàn)了蜘蛛，但頁面從來沒有被真正收錄過的原因。 　　預處理 　　在一些SEO材料中，“預處理”也被簡稱為“索引”，因為索引是預處理最主要的步驟。 　　搜索引擎蜘蛛抓取的原始頁面，并不能直接用于查詢排名處理。搜索引擎數(shù)據(jù)庫中的頁面數(shù)都在數(shù)萬億級別以上，用戶輸入搜索詞后，靠排名程序?qū)崟r對這么多頁面分析相關(guān)性，計算量太大，不可能在一兩秒內(nèi)返回排名結(jié)果。因此抓取來的頁面必須經(jīng)過預處理，為最后的查詢排名做好準備。 　　和爬行抓取一樣，預處理也是在后臺提前完成的，用戶搜索時感覺不到這個過程。 　　1.提取文字 　　現(xiàn)在的搜索引擎還是以文字內(nèi)容為基礎。蜘蛛抓取到的頁面中的HTML代碼，除了用戶在瀏覽器上可以看到的可見文字外，還包含了大量的HTML格式標簽、 Java程序等無法用于排名的內(nèi)容。搜索引擎預處理首先要做的就是從HTML文件中去除標簽、程序，提取出可以用于排名處理的網(wǎng)頁面文字內(nèi)容。 　　除去HTML代碼后，剩下的用于排名的文字只是一行。 　　除了可見文字，搜索引擎也會提取出一些特殊的包含文字信息的代碼，如Meta標簽中的文字、圖片替代文字、Flash文件的替代文字、鏈接錨文字等。 　　2.中文分詞 　　分詞是中文搜索引擎特有的步驟。搜索引擎存儲和處理頁面及用戶搜索都是以詞為基礎的。英文等語言單詞與單詞之間有空格分隔，搜索引擎索引程序可以直接把句子 劃分為單詞的集合。而中文詞與詞之間沒有任何分隔符，一個句子中的所有字和詞都是連在一起的。搜索引擎必須首先分辨哪幾個字組成一個詞，哪些字本身就是一 個詞。比如“減肥方法”將被分詞為“減肥”和“方法”兩個詞。 　　中文分詞方法基本上有兩種，一種是基于詞典匹配，另一種是基于統(tǒng)計。 　　基于詞典匹配的方法是指，將待分析的一段漢字與一個事先造好的詞典中的詞條進行匹配，在待分析漢字串中掃描到詞典中已有的詞條則匹配成功，或者說切分出一個單詞。 　　按照掃描方向，基于詞典的匹配法可以分為正向匹配和逆向匹配。按照匹配長度優(yōu)先級的不同，又可以分為最大匹配和最小匹配。將掃描方向和長度優(yōu)先混合，又可以產(chǎn)生正向最大匹配、逆向最大匹配等不同方法。 　　詞典匹配方法計算簡單，其準確度在很大程度上取決于詞典的完整性和更新情況。 　　基于統(tǒng)計的分詞方法指的是分析大量文字樣本，計算出字與字相鄰出現(xiàn)的統(tǒng)計概率，幾個字相鄰出現(xiàn)越多，就越可能形成一個單詞。基于統(tǒng)計的方法的優(yōu)勢是對新出現(xiàn)的詞反應更快速，也有利于消除歧義。 　　基于詞典匹配和基于統(tǒng)計的分詞方法各有優(yōu)劣，實際使用中的分詞系統(tǒng)都是混合使用兩種方法的，快速高效，又能識別生詞、新詞，消除歧義。 　　中文分詞的準確性往往影響搜索引擎排名的相關(guān)性。比如在百度搜索“搜索引擎優(yōu)化”，從快照中可以看到，百度把“搜索引擎優(yōu)化”這六個字當成一個詞。 　　而在Google搜索同樣的詞，快照顯示Google將其分切為“搜索引擎”和“優(yōu)化”兩個詞。顯然百度切分得更為合理，搜索引擎優(yōu)化是一個完整的概念。Google分詞時傾向于更為細碎。 　　這種分詞上的不同很可能是一些關(guān)鍵詞排名在不同搜索引擎有不同表現(xiàn)的原因之一。比如百度更喜歡將搜索詞完整匹配地出現(xiàn)在頁面上，也就是說搜索“夠戲博客” 時，這四個字連續(xù)完整出現(xiàn)更容易在百度獲得好的排名。Google就與此不同，不太要求完整匹配。一些頁面出現(xiàn)“夠戲”和“博客”兩個詞，但不必完整匹配 地出現(xiàn)，“夠戲”出現(xiàn)在前面，“博客”出現(xiàn)在頁面的其他地方，這樣的頁面在Google搜索“夠戲博客”時，也可以獲得不錯的排名。 　　搜索引擎對頁面的分詞取決于詞庫的規(guī)模、準確性和分詞算法的好壞，而不是取決于頁面本身如何，所以SEO人員對分詞所能做的很少。唯一能做的是在頁面上用某種形 式提示搜索引擎，某幾個字應該被當做一個詞處理，尤其是可能產(chǎn)生歧義的時候，比如在頁面標題、h1標簽及黑體中出現(xiàn)關(guān)鍵詞。如果頁面是關(guān)于“和服”的內(nèi) 容，那么可以把“和服”這兩個字特意標為黑體。如果頁面是關(guān)于“化妝和服裝”，可以把“服裝”兩個字標為黑體。這樣，搜索引擎對頁面進行分析時就知道標為 黑體的應該是一個詞。 　　3.去停止詞 　　無論是英文還是中文，頁面內(nèi)容中都會有一些出現(xiàn)頻率很 高，卻對內(nèi)容沒有任何影響的詞，如“的”、“地”、“得”之類的助詞，“啊”、“哈”、“呀”之類的感嘆詞，“從而”、“以”、“卻”之類的副詞或介詞。 這些詞被稱為停止詞，因為它們對頁面的主要意思沒什么影響。英文中的常見停止詞有the，a，an，to，of等。 　　搜索引擎在索引頁面之前會去掉這些停止詞，使索引數(shù)據(jù)主題更為突出，減少無謂的計算量。 　　4.消除噪聲 　　絕 大部分頁面上還有一部分內(nèi)容對頁面主題也沒有什么貢獻，比如版權(quán)聲明文字、導航條、廣告等。以常見的博客導航為例，幾乎每個博客頁面上都會出現(xiàn)文章分類、 歷史存檔等導航內(nèi)容，但是這些頁面本身與“分類”、“歷史”這些詞都沒有任何關(guān)系。用戶搜索“歷史”、“分類”這些關(guān)鍵詞時僅僅因為頁面上有這些詞出現(xiàn)而 返回博客帖子是毫無意義的，完全不相關(guān)。所以這些區(qū)塊都屬于噪聲，對頁面主題只能起到分散作用。 　　搜索引擎需要識別并消除這些噪聲，排名時不使用噪聲內(nèi)容。消噪的基本方法是根據(jù)HTML標簽對頁面分塊，區(qū)分出頁頭、導航、正文、頁腳、廣告等區(qū)域，在網(wǎng)站上大量重復出現(xiàn)的區(qū)塊往往屬于噪聲。對頁面進行消噪后，剩下的才是頁面主體內(nèi)容。 　　5.去重 　　搜索引擎還需要對頁面進行去重處理。 　　同 一篇文章經(jīng)常會重復出現(xiàn)在不同網(wǎng)站及同一個網(wǎng)站的不同網(wǎng)址上，搜索引擎并不喜歡這種重復性的內(nèi)容。用戶搜索時，如果在前兩頁看到的都是來自不同網(wǎng)站的同一 篇文章，用戶體驗就太差了，雖然都是內(nèi)容相關(guān)的。搜索引擎希望只返回相同文章中的一篇，所以在進行索引前還需要識別和刪除重復內(nèi)容，這個過程就稱為“去 重”。 　　去重的基本方法是對頁面特征關(guān)鍵詞計算指紋，也就是說從頁面主體內(nèi)容中選取最有代表性的一部分關(guān)鍵詞(經(jīng)常是出現(xiàn)頻率最高的關(guān)鍵 詞)，然后計算這些關(guān)鍵詞的數(shù)字指紋。這里的關(guān)鍵詞選取是在分詞、去停止詞、消噪之后。實驗表明，通常選取10個特征關(guān)鍵詞就可以達到比較高的計算準確 性，再選取更多詞對去重準確性提高的貢獻也就不大了。 　　典型的指紋計算方法如MD5算法(信息摘要算法第五版)。這類指紋算法的特點是，輸入(特征關(guān)鍵詞)有任何微小的變化，都會導致計算出的指紋有很大差距。 　　了 解了搜索引擎的去重算法，SEO人員就應該知道簡單地增加“的”、“地”、“得”、調(diào)換段落順序這種所謂偽原創(chuàng)，并不能逃過搜索引擎的去重算法，因為這樣 的操作無法改變文章的特征關(guān)鍵詞。而且搜索引擎的去重算法很可能不止于頁面級別，而是進行到段落級別，混合不同文章、交叉調(diào)換段落順序也不能使轉(zhuǎn)載和抄襲 變成原創(chuàng)。 　　6.正向索引 　　正向索引也可以簡稱為索引。 　　經(jīng)過文字提取、分詞、 消噪、去重后，搜索引擎得到的就是獨特的、能反映頁面主體內(nèi)容的、以詞為單位的內(nèi)容。接下來搜索引擎索引程序就可以提取關(guān)鍵詞，按照分詞程序劃分好的詞， 把頁面轉(zhuǎn)換為一個關(guān)鍵詞組成的集合，同時記錄每一個關(guān)鍵詞在頁面上的出現(xiàn)頻率、出現(xiàn)次數(shù)、格式(如出現(xiàn)在標題標簽、黑體、H標簽、錨文字等)、位置(如頁 面第一段文字等)。這樣，每一個頁面都可以記錄為一串關(guān)鍵詞集合，其中每個關(guān)鍵詞的詞頻、格式、位置等權(quán)重信息也都記錄在案。 　　搜索引擎索引程序?qū)㈨撁婕瓣P(guān)鍵詞形成詞表結(jié)構(gòu)存儲進索引庫。簡化的索引詞表形式如表2-1所示。 　　每個文件都對應一個文件ID，文件內(nèi)容被表示為一串關(guān)鍵詞的集合。實際上在搜索引擎索引庫中，關(guān)鍵詞也已經(jīng)轉(zhuǎn)換為關(guān)鍵詞ID.這樣的數(shù)據(jù)結(jié)構(gòu)就稱為正向索引。 　　7.倒排索引 　　正向索引還不能直接用于排名。假設用戶搜索關(guān)鍵詞2，如果只存在正向索引，排名程序需要掃描所有索引庫中的文件，找出包含關(guān)鍵詞2的文件，再進行相關(guān)性計算。這樣的計算量無法滿足實時返回排名結(jié)果的要求。 　　所以搜索引擎會將正向索引數(shù)據(jù)庫重新構(gòu)造為倒排索引，把文件對應到關(guān)鍵詞的映射轉(zhuǎn)換為關(guān)鍵詞到文件的映射，如表2-2所示。 　　在倒排索引中關(guān)鍵詞是主鍵，每個關(guān)鍵詞都對應著一系列文件，這些文件中都出現(xiàn)了這個關(guān)鍵詞。這樣當用戶搜索某個關(guān)鍵詞時，排序程序在倒排索引中定位到這個關(guān)鍵詞，就可以馬上找出所有包含這個關(guān)鍵詞的文件。 　　8.鏈接關(guān)系計算 　　鏈接關(guān)系計算也是預處理中很重要的一部分?，F(xiàn)在所有的主流搜索引擎排名因素中都包含網(wǎng)頁之間的鏈接流動信息。搜索引擎在抓取頁面內(nèi)容后，必須事前計算出：頁 面上有哪些鏈接指向哪些其他頁面，每個頁面有哪些導入鏈接，鏈接使用了什么錨文字，這些復雜的鏈接指向關(guān)系形成了網(wǎng)站和頁面的鏈接權(quán)重。 　　Google PR值就是這種鏈接關(guān)系的最主要體現(xiàn)之一。其他搜索引擎也都進行類似計算，雖然它們并不稱為PR. 　　由于頁面和鏈接數(shù)量巨大，網(wǎng)上的鏈接關(guān)系又時時處在更新中，因此鏈接關(guān)系及PR的計算要耗費很長時間。關(guān)于PR和鏈接分析，后面還有專門的章節(jié)介紹。 　　9.特殊文件處理 　　除 了HTML文件外，搜索引擎通常還能抓取和索引以文字為基礎的多種文件類型，如PDF、Word、WPS、XLS、PPT、TXT文件等。我們在搜索結(jié)果 中也經(jīng)常會看到這些文件類型。但目前的搜索引擎還不能處理圖片、視頻、Flash這類非文字內(nèi)容，也不能執(zhí)行腳本和程序。 　　雖然搜索引擎在識別圖片及從Flash中提取文字內(nèi)容方面有些進步，不過距離直接靠讀取圖片、視頻、Flash內(nèi)容返回結(jié)果的目標還很遠。對圖片、視頻內(nèi)容的排名還往往是依據(jù)與之相關(guān)的文字內(nèi)容，詳細情況可以參考后面的整合搜索部分。 　　排名 　　經(jīng)過搜索引擎蜘蛛抓取的界面，搜索引擎程序 計算得到倒排索引后，收索引擎就準備好可以隨時處理用戶搜索了。用戶在搜索框填入關(guān)鍵字后，排名程序調(diào)用索引庫數(shù)據(jù)，計算排名顯示給客戶，排名過程是與客戶直接互動的。