2.2  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。

2.2.1  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,像爬虫在爬虫网上爬行一样,所以被称为“爬虫”也被称为“机器人”。搜索引擎爬虫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。文献综述

第二步:抓取存储。搜索引擎是通过爬虫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。搜索引擎爬虫在抓取页面时,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。搜索引擎将爬虫抓取回来的页面,进行各种步骤的预处理。

分为以下几小步:提取文字,中文分词,去停止词,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),正向索引,倒排索引,链接关系计算,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。

2.2.2  索引技术

索引技术是搜索引擎的核心技术之一。搜索引擎要对所收集到的信息进行整理、分类、索引以产生索引库,而中文搜索引擎的核心是分词技术。分词技术是利用一定的规则和词库,切分出一个句子中的词,为自动索引做好准备。索引多采用Non—clustered方法,该技术和语言文字的理解有很大的关系,具体有如下几点:存储语法库,和词汇库配合分出句子中的词汇;

· 存储词汇库,要同时存储词汇的使用频率和常见搭配方式;

· 词汇宽,应可划分为不同的专业库,以便于处理专业文献;

· 对无法分词的句子,把每个字当作词来处理。

上一篇:Photoshop+Frontpage+Flash软件的网站制作
下一篇:基于SRN的虚拟机在线迁移建模与分析

基于PageRank算法的网络数据分析

基于神经网络的验证码识别算法

基于网络的通用试题库系...

银行行办公信息服务系统【1544字】

论信息技术茬外语教學中的應用【3270字】

计算机信息管理茬第三方...

网络常见故障的分类诊斷【2055字】

互联网教育”变革路径研究进展【7972字】

安康汉江网讯

ASP.net+sqlserver企业设备管理系统设计与开发

新課改下小學语文洧效阅...

我国风险投资的发展现状问题及对策分析

网络语言“XX体”研究

麦秸秆还田和沼液灌溉对...

张洁小说《无字》中的女性意识

老年2型糖尿病患者运动疗...

LiMn1-xFexPO4正极材料合成及充放电性能研究