SEM一家之言：分詞與索引庫搜索引擎原理

分詞是很多做SEO的人常聽到的概念，為了讓大家在這個方面不會有疑惑，現(xiàn)在國平要來講一下分詞以及索引庫。這也是更深入的了解搜索引擎的開始。

搜索引擎每天都是在處理一個基本的需求：用戶搜索一個關(guān)鍵詞，搜索引擎馬上找到相關(guān)的網(wǎng)頁給用戶。這個過程要怎么實現(xiàn)呢? 下面就分步來了解這個過程。

首先搜索引擎要盡可能多的把互聯(lián)網(wǎng)上的網(wǎng)頁搜集下來，這樣能提供大量的網(wǎng)頁給用戶查詢。這一部分由爬蟲來解決，順著互聯(lián)網(wǎng)上的鏈接一個個往下抓取。最后就有了一堆記錄著網(wǎng)頁各種信息的資料庫。目前的現(xiàn)狀，最后能使這個資料庫里有大概100多億個網(wǎng)頁。資料庫里記錄了這些網(wǎng)頁的URL，整個網(wǎng)頁的HTML代碼，網(wǎng)頁標(biāo)題等等信息。

然后，搜索引擎拿到用戶輸入的這個關(guān)鍵詞后，要從這個資料庫里把相關(guān)的網(wǎng)頁找出來給用戶。這里就碰到好幾個問題了：

1，要怎么快速的從上100億個網(wǎng)頁里找出匹配的網(wǎng)頁的呢?

要知道這是從上百億的網(wǎng)頁里找符合這個關(guān)鍵詞內(nèi)容的網(wǎng)頁，如果像用word里那種用ctrl + F 輪詢的查找方式的話，即使用超級計算機(jī)，也不知道要消耗多少時間。但是現(xiàn)在的搜索引擎，在幾分之一秒里就實現(xiàn)了。所以一定是做了一些處理才實現(xiàn)的。

解決辦法也倒簡單，就是建立一份索引庫。就像我們查《新華字典》一樣，我們不會翻遍《新華字典》的每一頁來查那個字在哪頁，而是先去索引表那里找這個字，拿到頁碼后，直接翻到那頁就可以了。搜索引擎也會為上百億的網(wǎng)頁建立一個索引庫，用戶查詢信息的時候，是先到搜索引庫里查一下要找的信息在哪些網(wǎng)頁，然后就引導(dǎo)你去那些網(wǎng)頁的。

如下圖：

索引庫

2，索引庫里用什么樣的分類方式?

我們知道，《新華字典》的索引表是用字母列表或者偏旁部首的分類方式的。那么搜索引擎的索引庫里是怎么分類的?是不是也可以用字母列表的方式?

搜索引擎如果以字母列表的方式排列索引庫，那么平均每個字母下要查詢的網(wǎng)頁數(shù)量是 100億÷26=3.85億 ，也還是一個很大的數(shù)字。而且搜索引擎上，今天是100億個網(wǎng)頁，過不了多久就是300億個網(wǎng)頁了。

最后，終于找到一個解決辦法：索引庫里用詞語來分類。

因為盡管互聯(lián)網(wǎng)上的網(wǎng)頁是不斷激增的，但是每一種語言里，詞語的數(shù)量都是相對固定的。比如英語就是一百多萬個單詞，100億 ÷ 1百萬 = 1 萬;漢語是8萬多個詞語，100億÷8萬=12萬5千。都是計算機(jī)很容易處理得過來的。

用詞語來分類還有一個好處，就是可以匹配用戶查詢的那個詞語。本來用戶就是要查這個詞語的，那我就按這個詞語去分類就是。

所以，搜索引擎的索引庫，最后就是這個樣子的：

模擬的索引庫

理論上，當(dāng)用戶輸入關(guān)鍵詞“mp3 player”搜索時，搜索引擎就從 “mp3”那行 和 “player”那行里拿出同時都有的、交集的url來即可。

上圖也是現(xiàn)在英文版的google.com上的真實排名情況，可以看到 www.winamp.com 這個網(wǎng)站在搜索“mp3”的時候排第4位，在搜索“player”的時候也排第4位。當(dāng)搜索“mp3 player”的時候，因為沒有其他網(wǎng)站比它更匹配這個詞語，所以它排在了第一位。

排在第一

當(dāng)搜索引擎把一個網(wǎng)站抓取下來后，接著要做的事情就是把網(wǎng)頁里的詞語分開放到索引庫里。分詞在這個時候就要應(yīng)用到了，所謂的分詞，其實很簡單，就是把詞語分開而已。

英語的分詞好處理一點，因為英語的每個單詞之間是用空格分開的，基本上就只要處理一些虛詞、介詞，還有一些詞語的單復(fù)數(shù)，變形詞等等。但是中文的分詞就復(fù)雜很多了，句子中的每個字都連在一起，有時候即使是人來判斷，都還有產(chǎn)生歧義的時候。中文的分詞有很多方法，也很容易弄懂的，如正向切分法，逆向切分法等等，網(wǎng)上有很多相關(guān)的資料。

谷歌的中文分詞方法是從國外一家第三方公司買的。百度的分詞方法是自己創(chuàng)立的，可能在詞庫上面比谷歌有點優(yōu)勢。不過其他方面差了一些。

當(dāng)爬蟲找到一個網(wǎng)頁的時候，在搜索引擎看來，這個網(wǎng)頁就是一大堆詞語的組合。基本流程如下：

搜索引擎的處理過程

看完這個流程圖，應(yīng)該能給大家在做內(nèi)部優(yōu)化的時候有所啟發(fā)的。

我建議大家再去看一下《把Web標(biāo)準(zhǔn)化進(jìn)行得更徹底一點》這篇文章，還有《豐富網(wǎng)頁摘要”，讓你的網(wǎng)站與眾不同》以及《SEO案例：錨文本、關(guān)鍵字、nofollow、Web標(biāo)準(zhǔn)化(一)》和 《SEO案例：錨文本、關(guān)鍵字、nofollow、Web標(biāo)準(zhǔn)化(二)》。那些文章和這篇文章一樣，都是在講同一個問題。

一定要站在搜索引擎的角度，把它的這些原理了解清楚了，才會讓你明白哪些因素才是你應(yīng)該關(guān)注的重點。

有人說: SEO就是重在細(xì)節(jié)。這應(yīng)該是經(jīng)驗之談。但是不知道大家有沒有想過的是：是不是可能原本這些看似細(xì)節(jié)的東西，其實就是應(yīng)該注意的重要的東西呢?如果你不能控制好你的排名，有沒有想過可能你以前特別在意的一些SEO因素，其實有些并不是重點?;而只是你把影響排名的部分因素弄錯了?

上面的很多知識，其實在《搜索引擎營銷:網(wǎng)站流量大提速》里都有提及的。那本書要去精讀的原因之一就是它講了很多看似很普通的原理，但是都是有用的。

比如在選關(guān)鍵詞的時候，也可以參考一下這個詞語的索引量。從上面的原理可以看出，這個索引量反應(yīng)了這個詞語在這種語言當(dāng)中人們使用的流行程度。所以國外有些計算關(guān)鍵詞KEI指數(shù)的公式里，也把這個關(guān)鍵詞的索引量加入了進(jìn)來。

有興趣再追溯下去的朋友可以看看google黑板報上的這篇文章

http://www.googlechinablog.com/2006/05/blog-post_10.html

文章標(biāo)題：SEM一家之言：分詞與索引庫搜索引擎原理
網(wǎng)頁網(wǎng)址：http://www.muchs.cn/news41/219641.html

成都網(wǎng)站建設(shè)公司_創(chuàng)新互聯(lián)，為您提供手機(jī)網(wǎng)站建設(shè)、定制開發(fā)、云服務(wù)器、外貿(mào)建站、外貿(mào)網(wǎng)站建設(shè)、網(wǎng)站內(nèi)鏈

廣告

聲明：本網(wǎng)站發(fā)布的內(nèi)容（圖片、視頻和文字）以用戶投稿、用戶轉(zhuǎn)載內(nèi)容為主，如果涉及侵權(quán)請盡快告知，我們將會在第一時間刪除。文章觀點不代表本網(wǎng)站立場，如需處理請聯(lián)系客服。電話：028-86922220；郵箱：631063699@qq.com。內(nèi)容未經(jīng)允許不得轉(zhuǎn)載，或轉(zhuǎn)載時需注明來源： 創(chuàng)新互聯(lián)