一、索引：在談這個過程前，我們首先要理清搜索引擎索引數(shù)據(jù)表與信息數(shù)據(jù)表之間的關(guān)系，其實搜索引擎底層的數(shù)據(jù)存儲本身就是一個關(guān)系數(shù)據(jù)庫，索引數(shù)據(jù)表和信息數(shù)據(jù)表是兩個獨立的表，只是索引數(shù)據(jù)表和信息數(shù)據(jù)表是一對多的關(guān)系，這樣或許更好理解。那么搜索引擎為什么需要索引數(shù)據(jù)表呢？我們不妨從信息量這個角度分析一下，就目前來看，搜索引擎的信息量在百億級，而用戶搜索某個關(guān)鍵字時響應(yīng)速度在短短的2、3秒內(nèi)，在這短短的2、3內(nèi)不僅僅要完成數(shù)據(jù)的查詢，而且還要完成數(shù)據(jù)的排序（關(guān)鍵詞排名）。如果每次都要從這百億級的數(shù)據(jù)中查詢用戶請求并處理排序，不僅減慢響應(yīng)速度，而且還浪費了大量的計算資源，對服務(wù)器的壓力也會更大。這個時候，搜索引擎就迫切希望將用戶查詢的信息鎖定在一個范圍，這個范圍的信息量或許只有幾千條、幾百條，計算處理起來，效率要高很多，而索引數(shù)據(jù)表就是為解決這一問題出現(xiàn)的。
根據(jù)統(tǒng)計，漢語詞語大約有9萬多個，聽起來很龐大，但對于計算機來講處理起來恐怕會很輕松，而中文用戶的搜索無外乎就是這幾萬個詞語的組合（英文就更簡單了，26個字母的組合）。如果用戶搜索的是一連串兒的句子，那么要先經(jīng)過搜索引擎的分詞處理，比如 搜索：華普筆記本電腦，分詞技術(shù)首先會按照漢語習(xí)慣進行劃分，劃分為：華普、筆記本、電腦，那么這三個常見詞語在搜索引擎索引數(shù)據(jù)庫表中都有對應(yīng)的詞條，此時搜索引擎將從信息數(shù)據(jù)表中篩選出關(guān)聯(lián)索引數(shù)據(jù)表中3個詞語的全部詞條并取其交集詞條展現(xiàn)給用戶，如果用戶單一搜索一個詞語，那搜索引擎處理起來就更為簡單，直接從信息數(shù)據(jù)表中篩選出索引數(shù)據(jù)表中該詞所對應(yīng)的詞條即可。
二、抓取：其實在抓取前面還有一個過程沒有描述在內(nèi)，那就是爬行，也就是搜索引擎程序發(fā)現(xiàn)新網(wǎng)址的過程，只是這個過程大多伴隨著抓取，除非你的這個URL上的內(nèi)容沒有什么價值（垃圾內(nèi)容、重復(fù)內(nèi)容、文字過少內(nèi)容等）而被搜索引擎抓取程序直接跳過。搜索引擎爬行程序以數(shù)據(jù)表中已存在或新提交的鏈接順藤摸瓜式地進行爬行以不斷發(fā)現(xiàn)新的URL，抓取程序在分析并確定該URL的頁面內(nèi)容有價值后，便將其整個頁面抓取下來放入到龐大的信息數(shù)據(jù)表中。新抓取的內(nèi)容在進入信息數(shù)據(jù)表時，并不是一股腦地堆積在那，而是按照信息數(shù)據(jù)庫中表的字段（如：網(wǎng)頁URL、title、描述、正文內(nèi)容、抓取時間、導(dǎo)出鏈接等）分門別類地將信息存儲起來，以便滿足后期的數(shù)據(jù)索引操作。
三、排名：闡述這一原理，不得不說下搜索引擎爬行、抓取過程，影響關(guān)鍵詞排名的因素很多，如：站內(nèi)優(yōu)化情況、外鏈質(zhì)量及數(shù)量、pr等，那么這些排名因素搜索引擎也必須抓入數(shù)據(jù)庫，納入數(shù)據(jù)表作為特定URL的排名依據(jù)，其實影響網(wǎng)頁排名指標的獲取過程就是搜索引擎爬行、抓取的過程。最難理解的可能就是外鏈這一塊兒，因為在抓取網(wǎng)頁時，搜索引擎是捕捉不到他的導(dǎo)入鏈接的，其實搜索引擎在抓取一個頁面時，已經(jīng)將該頁面的導(dǎo)出鏈接投票計算到了相應(yīng)的頁面，并將這一有效投票寫入到了所指向的URL字段中（比如：votes字段），便于排名程序加以計算。當(dāng)然，影響排名的因素很多，排名計算的具體方式我們也無從得知，因此這些不在我們的討論之列。關(guān)于排名，大家可能還有一個問題，就是每個詞語的排名是事先排序好了，還是當(dāng)用戶搜索時才進行排序，筆者給出的答案是后者，或許這一個現(xiàn)象可以揭秘筆者的答案：每一天甚至每一小時關(guān)鍵字排名都會出現(xiàn)波動。
上一條：
長沙做網(wǎng)站:網(wǎng)站流量迅速提升的方法下一條：
網(wǎng)站降權(quán)原因分析及解決辦法
湘公網(wǎng)安備 43010302001803號