搜索引擎的原理和使用.pptVIP

悠悠美体商城有你更精彩 搜索引擎的原理和使用 kyle@ 2011-9-18 搜索引擎的工作过程大体上可以分成三个阶段 爬行和抓取是搜索引擎工作的第一步，完成数据收集的任务。 什么是蜘蛛？ 如何跟踪链接？ 什么样的页面才能吸引蛛蛛？ 爬行时的复制内容检测 什么是文件存储？ 什么是蜘蛛 蜘蛛 1、 是一组运行在计算机的程序，在搜索引擎中负责抓取时新的且公共可访问的WEB网页，图片和文档等资源，这种抓取的过程为通过下载一个网页，分析其中的链接，继而漫游到其他链接指向的网页，循环往复。 2、蜘蛛程序把收到的代码存入原始页面数据库。搜索引擎为了提高爬行 和抓取速度，都使用多个蜘蛛并发分布爬行。? 3、蜘蛛访问任何一个网站时，都会先访问网站根目录下的 robots.txt 文件。如果 robots.txt 文件禁止搜索引擎抓取某些文件或目录，蜘蛛将遵守协议，不抓取被禁止的网址。 主流蜘蛛列举 Baiduspider+(+/search/spider.htm) 百度蜘蛛 Mozilla/5.0 (compatible; Yahoo! Slurp China; /help.html) 雅虎中国蜘蛛 Mozilla/5.0 (compatible; Yahoo! Slurp/3.0; /help/us/ysearch/slurp)英文 雅虎蜘蛛 Mozilla/5.0 (compatible; Googlebot/2.1; +/bot.html) Google 蜘蛛 msnbot/1.1 (+/msnbot.htm)微软蜘蛛 ·Sogou+web+robot+(+/docs/help/webmasters.htm#07) 搜狗蜘蛛 Sosospider+/webspider.htm搜搜蜘蛛 蜘蛛抓取-谷歌管理员工具 跟踪链接 为了抓取网上尽量多的页面，搜索引擎蜘蛛会跟踪页面上的链接，从一个页面爬到下一个页面，就好像蜘蛛在蜘蛛网上爬行那样，这也就是搜索引擎蜘蛛这个名称的由来。 整个互联网是由相互链接的网站及页面组成的。从理论上说，蜘蛛从任何一个页面出发，顺着 链接都可以爬行到网上的所有页面。当然，由于网站及页面链接结构异常复杂，蜘蛛需要采取 一定的爬行策略才能遍历网上所有页面。 爬行策略 最简单的爬行遍历策略分为两种： 一是深度优先 二是广度优先 深度优先策略 广度优先策略 爬行策略 在实际工作中，蜘蛛的带宽资源、时间都不是无限的，也不可能爬完所有页面。实际上最大的搜索引擎也只是爬行和收录了互联网的一小部分。 深度优先和广度优先通常是混合使用的，这样既可以照顾到尽量多的网站（广度优先），也能照顾到一部分网站的内页（深度优先）。 吸引蜘蛛 爬行时的复制内容检测 蜘蛛在爬行和抓取文件时会进行一定程度的复制内容检测。遇到权重很低的网站上大量转载或抄袭内容时，很可能不再继续爬行。 这也就是为什么有的站长在日志文件中发现了蜘蛛，但页面从来没有被真正收录过。 文件储存 搜索引擎蜘蛛抓取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。每个URL都有一个独特的文件编号 分词技术 中文分词方法基本上有两种，一种是基于词典匹配，另一种是基于统计。 基于词典匹配的方法是指，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成功，或者说切分出一个单词。 基于统计的分词方法指的是分析大量文字样本，计算出字与字相邻出现的统计概率，几个字相邻出现越多，就越可能形成一个单词。基于统计的方法的优势是对新出现的词反应更快速，也有利于消除歧义。 基于词典匹配和基于统计的分词方法各有优劣，实际使用中的分词系统都是混合使用两种方法的，快速高效，又能识别生词、新词，消除歧义。 去停止词 无论英文中文，页面内容中都会有一些出现频率很高，却对内容没有任何影响的词，如“的”，“地”，“得”之类的助词，“啊”，“哈”，“呀”之类的感叹词，“从而”，“以”，“却”之类的介词。英文常见的停止词，如”the”、”of”。这些词被称为停止词，因为它们对页面主要意思没什么影响。 消除噪声 搜索引擎需要识别并消除这些噪声，排名时不使用噪声内容。消噪的基本方法是根据HTML标签对页面分块，区分出页头、导航、正文、页脚、广告等区域，在网站上大量重复出现的区块往往属于噪声,对页面主题只能起到分散作用。对页面进行消噪后，剩下的才是页面主体内容。 网页去重 同一篇文章经常