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。