互聯(lián)網(wǎng)搜索引擎工作原理

互聯(lián)網(wǎng)搜索引擎工作原理

引言

有關(guān)互聯(lián)網(wǎng)和它最引人注目的部分——萬維網(wǎng)的好消息是，網(wǎng)上有無數(shù)網(wǎng)頁提供主題極為多樣的信息。壞消息是，這些網(wǎng)頁大都是由制作者隨便命名的，而且?guī)缀跞即鎯υ诓恢蚊姆?wù)器上。當你需要了解特定主題時，您怎么知道應(yīng)當閱讀哪些網(wǎng)頁呢？像大多數(shù)人一樣，您要使用互聯(lián)網(wǎng)搜索引擎。

互聯(lián)網(wǎng)搜索引擎是萬維網(wǎng)中的特殊站點，專門用來幫助人們查找存儲在其他站點上的信息。盡管各種搜索引擎的工作方-式有所不同，但它們都要完成三個基本任務(wù)：

• 基于關(guān)鍵字來搜索互聯(lián)網(wǎng)——或其中的一部分。
• 生成一份索引，保存所搜尋的詞語，以及相應(yīng)地址。
• 允許用戶在索引中查找詞語或詞語組合

早期搜索引擎的索引僅包括數(shù)十萬個的網(wǎng)頁或文檔，每天受理的查詢可能只有一兩千次。如今，頂級搜索引擎的索引列表涵蓋數(shù)億個網(wǎng)頁，每天響應(yīng)數(shù)千萬次查詢。在本文中，我們將會講解這些基本任務(wù)是如何完成，以及互聯(lián)網(wǎng)搜索引擎是如何整合信息以幫助我們在網(wǎng)上找到所需內(nèi)容。

聚焦萬維網(wǎng)

大多數(shù)人談及互聯(lián)網(wǎng)搜索引擎時，實際上指的是萬維網(wǎng)搜索引擎。在萬維網(wǎng)成為互聯(lián)網(wǎng)最引人注目的部分之前，早就有搜索引擎幫助人們查找網(wǎng)上信息了。如“gopher”和“Archie”等程序可以生成索引，存儲在接入互聯(lián)網(wǎng)的各個服務(wù)器上的文件信息，極大縮短了查找程序和文檔的時間。上世紀八十年代末，要想從互聯(lián)網(wǎng)上獲得有價值的信息，就必須知道如何使用 gopher、Archie、Veronica以及其它類似程序。

現(xiàn)在，大多數(shù)互聯(lián)網(wǎng)用戶只限于搜索萬維網(wǎng)，所以本文只討論面向網(wǎng)頁內(nèi)容的搜索引擎。

小蜘蛛開始行動

搜索引擎在有能力告訴你文件或文檔存儲在何處之前，必須先找到它們。為了在現(xiàn)有的數(shù)億網(wǎng)頁中找到信息，搜索引擎使用了一種特殊的軟件機器人，稱之為蜘蛛程序，以此生成在網(wǎng)站上查詢到的詞語列表。蜘蛛程序建立詞語列表的過程被稱為爬網(wǎng)。（將互聯(lián)網(wǎng)的一部分稱為網(wǎng)絡(luò)有些缺點——大量工具以蜘蛛命名就是其一。）為了建立并維護一份有用的詞語列表，搜索引擎的蜘蛛程序需要游歷大量網(wǎng)頁。

蜘蛛程序如何開始其網(wǎng)上旅程？通常起點是那些訪問量很大的服務(wù)器和熱門網(wǎng)頁。蜘蛛程序從一個很受歡迎的網(wǎng)站開始，檢索網(wǎng)頁上的詞語并追蹤在該網(wǎng)站上找到的每個鏈接。這樣，蜘蛛程序迅速開始了旅行，爬遍網(wǎng)上絕大多數(shù)經(jīng)常訪問的網(wǎng)站。

Google的前身是一個學(xué)術(shù)搜索引擎。在介紹該系統(tǒng)開發(fā)過程的論文中，google創(chuàng)始人塞吉·布林（Sergey Brin）和勞倫斯·佩奇（Lawrence Page）舉例說明了他們的蜘蛛程序工作得有多快。他們最初開發(fā)的系統(tǒng)使用多個蜘蛛程序——通常是三個。每個蜘蛛程序可以同時打開300個鏈接。最多可以同時使用四個蜘蛛程序，此時該系統(tǒng)每秒可以游歷100多個網(wǎng)頁，生成大約600KB的數(shù)據(jù)。

要保證一切都快速運行，意味著必須開發(fā)一套系統(tǒng)來為蜘蛛程序提供必要信息。早期Google系統(tǒng)有一個專門為蜘蛛程序提供鏈接信息的服務(wù)器。為了盡可能減少延時，Google沒有依靠互聯(lián)網(wǎng)服務(wù)提供商提供的域名服務(wù)器(DNS)來將服務(wù)器名翻譯為網(wǎng)址，而是準備了自己的域名服務(wù)器。

當Google的蜘蛛程序訪問一個HTML網(wǎng)頁時，它會記錄以下兩種信息：

• 網(wǎng)頁中的詞語
• 詞語所在位置

出現(xiàn)在標題、副標題、元標記以及其他相對重要的位置的詞語，會被記錄下來，這些詞語往往是日后用戶搜索時經(jīng)常使用的。Google蜘蛛程序的設(shè)計旨在檢索網(wǎng)頁中的每一個重要單詞（對于英文來說，還要濾掉冠詞a、an和the等）。其他蜘蛛程序采用不同的方法。

這些方法通常是為了盡量加快蜘蛛程序的速度，或使用戶可以更有效地進行搜索，或二者兼而有之。例如，有些蜘蛛程序會追蹤標題、副標題和鏈接中的詞語，以及網(wǎng)頁中最常用的100個詞和文章前20行中的每一個詞。據(jù)說Lycos就是使用這種方法爬網(wǎng)的。

其他系統(tǒng)，如比AltaVista，則反其道而行之，檢索網(wǎng)頁中的每一個字，包括a、an、the以及其他“不重要”的詞。人們完善這種方法的干勁從未減弱，而另一些系統(tǒng)則通過其它方法與之抗衡。比如關(guān)注網(wǎng)頁的不可見部分，即元標記。

元標記

元標記允許網(wǎng)頁所有者來設(shè)定檢索網(wǎng)頁的關(guān)鍵字或概念。這很有用，特別是在網(wǎng)頁中的詞語有多個含義的時候——元標記可以引導(dǎo)搜索引擎在這些詞的幾種可能含義中選擇正確的一項。但是，過分依賴元標記有一個危險：粗心或不負責(zé)任的網(wǎng)頁所有者會添加一些對應(yīng)熱門話題的元標記，但是與網(wǎng)頁實際內(nèi)容沒有任何關(guān)系。為了防止此種事情發(fā)生，蜘蛛程序會比對元標記和網(wǎng)頁內(nèi)容，剔除那些與網(wǎng)頁詞語不符的元標記。

上述方法均基于一個假設(shè)，也就是網(wǎng)頁所有者希望自己的網(wǎng)頁被納入搜索引擎的搜索列表。但有些情況下，網(wǎng)頁所有者并不希望它們出現(xiàn)在主流搜索引擎中，或是不希望蜘蛛程序訪問網(wǎng)頁。比如，假設(shè)有一款網(wǎng)頁游戲，每當部分頁面被顯示或者新鏈接被點擊時，游戲就會生成新的動態(tài)頁面。如果網(wǎng)絡(luò)蜘蛛程序進入網(wǎng)頁，繼而開始追蹤所有新網(wǎng)頁的鏈接，游戲很可能將這些操作錯認為是由一名操作速度極快的玩家執(zhí)行的，從而失去控制。為了避免此類情況，人們制定了一套拒絕蜘蛛?yún)f(xié)議。該協(xié)議如果嵌入網(wǎng)頁開頭的元標記部分，就會告訴蜘蛛程序遠離該頁面——既不要檢索網(wǎng)頁上的詞語，也不要試圖追蹤網(wǎng)頁上的鏈接。

日搜索次數(shù)：美國前五名搜索引擎

• Google:250000000
• Overture:167000000
• Inktomi:80000000
• LookSmart:45000000
• FindWhat:33000000

建立索引

一旦蜘蛛程序完成了網(wǎng)頁信息收集工作（我們應(yīng)當注意，這是一項永遠不可能真正完成的工作——網(wǎng)頁不斷更新的特性意味著蜘蛛程序需要不斷爬網(wǎng)），搜索引擎就必須以一種有效方式存儲這些信息。要讓收集到的數(shù)據(jù)可供用戶使用，涉及兩個關(guān)鍵環(huán)節(jié)：

• 以數(shù)據(jù)存儲信息
• 為信息建立索引方法

在最簡單的情況下，搜索引擎只需存儲詞語和詞語所在地址。實際上，這樣做會限制搜索引擎的用途，因為這種方式無法區(qū)別詞語在網(wǎng)頁中是被重點使用，還是略一提及，也無法區(qū)別詞語是使用一次還是多次，或該網(wǎng)頁上是否含有其它包括該關(guān)鍵字的網(wǎng)頁的鏈接。換句話說，這樣做將無法建立排名表，無法把最有用的網(wǎng)頁放在查詢結(jié)果列表的頂端。

為了獲得更多有用信息，大多數(shù)搜索引擎存儲的信息不僅僅是詞語和網(wǎng)址，還可能存儲著該字在網(wǎng)頁中出現(xiàn)的次數(shù)。搜索引擎可能會為每個詞條指定一個權(quán)重，按照詞語出現(xiàn)在文檔開頭、網(wǎng)頁副標題、鏈接、元標記或標題的順序，權(quán)重依次增大。各商業(yè)搜索引擎指定索引中詞語權(quán)重的公式有所不同。這從一個側(cè)面解釋了為什么使用不同搜索引擎來搜索相同關(guān)鍵字，卻會產(chǎn)生不同的搜索結(jié)果列表，網(wǎng)頁排列順序也有所不同。

如果忽略搜索引擎存儲的額外信息的準確組合，將這些數(shù)據(jù)進行編碼可以節(jié)省存儲空間。比如，最初的Google論文描述了使用兩個字節(jié)（每個字節(jié)8比特）來存儲權(quán)重信息——單詞是不是大寫、字號大小、位置以及其他用來為數(shù)據(jù)確定級別的信息。每個因素大概占據(jù)兩字節(jié)中的兩三個比特（8比特=1字節(jié)）。因此，大量信息便能以一種壓縮率極高的方式存儲下來。信息被壓縮之后，就可以建立索引了。

索引的唯一目的是盡快找到信息。有好幾種方法可以建立索引，但是最有效的方法是建立散列表。通過散列法，運用公式給每個詞賦予一個數(shù)值。該公式可以把詞條平均分配給預(yù)定數(shù)目的分區(qū)。此種數(shù)值分配不同于根據(jù)字母表分配，這是散列表的有效性的關(guān)鍵所在。

在英語中，以某些字母開頭的單詞較多，而以其他字母開頭的單詞較少。例如，您會發(fā)現(xiàn)，字典的M部就比X部厚得多。這種不均衡意味著查找一個以“常見”字母開頭的單詞，要比查找不常見字母開頭的單詞花費更多時間。散列法平衡了這種區(qū)別，并且縮短了查找某一詞條的平均時間。它還將索引和實際詞條分開。散列表中含有經(jīng)過散列函數(shù)轉(zhuǎn)換生成的數(shù)字和一個指向?qū)嶋H數(shù)據(jù)的指針，（這樣）不論什么方式，只要它讓實際數(shù)據(jù)最有效地存儲起來，實際數(shù)據(jù)都可以用這種方式得到分類排序。通過高效的索引和有效的存儲方式，即使用戶進行了一次復(fù)雜的查詢，也能迅速查找到結(jié)果。

建立搜索

通過索引進行搜索需要用戶進行一次查詢，并通過搜索引擎提交。查詢可以相當簡單，最少僅需一個詞。建立比較復(fù)雜的查詢則需要使用布爾運算符來細化和拓展搜索項。

最常見的布爾運算符包括：

• AND（與）——以“AND”相連的若干搜索項必須全部出現(xiàn)在網(wǎng)頁或文檔中。有些搜索引擎使用運算符號“+”來代替“AND”。
• OR（或）——以“OR”相連的搜索項必須至少有一項出現(xiàn)在網(wǎng)頁或文檔中。
• NOT（非）——“NOT”之后的搜索項不能出現(xiàn)在網(wǎng)頁或文檔中。有些搜索引擎使用運算符號“-”來代替“NOT”。
• FOLLOWED BY（跟隨）——某一搜索項必須緊隨另一搜索項。
• NEAR（臨近）——某一搜索項和另一搜索項的距離必須小于特定詞數(shù)。
• 引號——引號內(nèi)的詞語應(yīng)被看作一個完整短語，出現(xiàn)在網(wǎng)頁或文檔中。

未來的搜索

借助布爾運算符定義的搜索是一種文字搜索——搜索引擎按照鍵入的詞語或短語精確搜索。如果鍵入的單詞含有多種意思，就會有問題。例如，“床”（bed），既可以是睡覺的床，也可以是種植花卉的花床，還可以是卡車的貨艙或魚的產(chǎn)卵地。如果您只對其中的一個意思感興趣，也許就不想查看使用其他意思的網(wǎng)頁。您可以嘗試去除您不感興趣的意思來建立文字搜索。但是，如果搜索引擎自己可以解決的話就更好了。

基于概念的搜索是搜索引擎的研究領(lǐng)域之一。有些此類搜索引擎應(yīng)用統(tǒng)計分析來處理包含您要搜索的單詞或短語的網(wǎng)頁，以此尋找其它您可能感興趣的網(wǎng)頁。顯然，對于基于概念的搜索引擎來說，為每個網(wǎng)頁存儲的信息要更多，而且每次查詢也需要更復(fù)雜的處理過程。盡管如此，還是有許多團隊致力于改進此類搜索引擎的結(jié)果和表現(xiàn)。還有些人轉(zhuǎn)入了另一個研究領(lǐng)域，名為自然語言查詢。

自然語言查詢的理念是，您可以像詢問坐在身邊的人那樣輸入問題——不必使用布爾運算符或者復(fù)雜的查詢結(jié)構(gòu)。目前最受歡迎的自然語言查詢網(wǎng)站是AskJeeves.com，該網(wǎng)站可以將用戶的查詢解析為關(guān)鍵字，之后再對已建好的網(wǎng)站索引進行搜索。它只能處理簡單查詢，但在適用于復(fù)雜自然語言的搜索引擎的開發(fā)領(lǐng)域，競爭相當激烈。