正文

資源搜索引擎

發(fā)布時間：2023-03-05 04:19:46 稿源：創(chuàng)意嶺閱讀： 959 問大家

大家好！今天讓創(chuàng)意嶺的小編來大家介紹下關于資源搜索引擎的問題，以下是小編對此問題的歸納整理，讓我們一起來看看吧。

創(chuàng)意嶺作為行業(yè)內優(yōu)秀的企業(yè)，服務客戶遍布全球各地，相關業(yè)務請撥打電話：175-8598-2043，或添加微信：1454722008

本文目錄:

1、五大主要搜索引擎是哪五個啊
2、搜索網絡資源各有那些搜索引擎，請簡要說明各自的特點，詳細些
3、搜索引擎是什么意思?
4、常用的搜索引擎有哪些？

資源搜索引擎

一、五大主要搜索引擎是哪五個啊

1.百度

百度國內老牌搜索引擎，是國內搜索市場的龍頭老大。百度憑借其深厚的搜索技術和PC端海量的用戶基礎，其在移動搜索市場中仍然占據著行業(yè)第一的位置。

2.神馬

神馬專注于移動互聯(lián)網的搜索引擎，是UC瀏覽器的內置搜索引擎。神馬搜索憑借UC瀏覽器大量的用戶及阿里巴巴的背景，其在移動搜索市場中也積累了大量的用戶，截止到2015年底神馬在移動搜索的市場份額占比達到了17.9%，僅次于百度排名第二。

3.搜狗

搜狗是國內較早的搜索引擎，由搜狐創(chuàng)辦，于2013年與騰訊合作并將騰訊旗下搜搜并入搜狗。搜狗實行差異化戰(zhàn)略，背靠騰訊搜狐兩大資源，以內容差異化、多渠道入口為突破點，推出了微信搜索、知乎搜索等優(yōu)質內容平臺的搜索服務，增長勢頭得到延續(xù)。目前搜狗搜索在移動搜索市場份額中占比為15.4%，排名

4.宜搜

宜搜成立于2005年，專注于移動互聯(lián)網搜索，市場份額一度超越百度移動搜索的搜索引擎。宜搜搜索實施泛娛樂化策略，逐漸從綜合搜索向垂直搜索領域轉變。依靠小說，視頻，音樂等在內的個性化內容，宜搜正穩(wěn)步布局垂直領域的業(yè)務體系，打造成為個性化、有特色的“泛娛樂化搜索引擎”。其移動搜索市場份額占比為13.7%。

5.360搜索

360搜索比較年輕的一個搜索引擎，借助360瀏覽器和360安全產品數以億計的用戶群里，在上線后短時間內便成為PC端僅次于百度的第二大搜索引擎。但其在移動端的宣傳推廣市場份額均不及PC端。2015年360搜索移動端市場份額僅為6.6%，與其在PC端的市場份額相差懸殊。

二、搜索網絡資源各有那些搜索引擎，請簡要說明各自的特點，詳細些

現(xiàn)在搜索引擎多得很，目前最常用的是www.baidu.com , www.google.com ,大部分網民現(xiàn)在都用這兩個搜索引擎，國內用戶用百度的比較多，國外大都用google.介紹常用英文搜索引擎及特點,包括Google,Overture(Yahoo!) ,Yahoo,MSN Search,AOL Search,LookSmart,Ask Jeeves,AltaVista,Inktomi,InfoSpace等主流英文搜索引擎?！∮⑽乃阉饕婷Q網址類別/主要特點Google www.google.com搜索引擎/關鍵詞廣告Overture(Yahoo!) www.overture.com搜索引擎/PPCyahoo search.yahoo.com 分類目錄MSN Search search.msn.com 搜索引擎AOL Search search.aol.com 搜索引擎/分類目錄LookSmartwww.looksmart.com分類目錄/PPCAsk Jeeveswww.askjeeves.com分類目錄AltaVistawww.altavista.com搜索引擎Inktomiwww.Inktomi.com搜索引擎InfoSpacewww.infospace.com黃頁/白頁登錄與搜索Lycos www.lycos.com搜索引擎Find Whatwww.findwhat.com搜索引擎/PPCEspotting Media www.espotting.com搜索引擎（歐洲最大）Aboutwww.about.com分類目錄Excitewww.excite.com搜索引擎Teoma.comwww.teoma.com搜索引擎Dmoz www.dmoz.org分類目錄/免費Bizrate www.bizrate.com在線購物搜索引擎

三、搜索引擎是什么意思?

搜索引擎是一個對互聯(lián)網信息資源進行搜索整理和分類，并儲存在網絡數據庫中供用戶查詢的系統(tǒng)，包括信息搜集、信息分類、用戶查詢三部分。

工作原理

1.爬行：搜索引擎是通過一種特定規(guī)律的軟件跟蹤網頁的鏈接，從一個鏈接爬到另外一個鏈接，像蜘蛛在蜘蛛網上爬行一樣，所以被稱為“蜘蛛”也被稱為“機器人”。搜索引擎蜘蛛的爬行是被輸入了一定的規(guī)則的，它需要遵從一些命令或文件的內容。

2.抓取存儲：搜索引擎是通過蜘蛛跟蹤鏈接爬行到網頁，并將爬行的數據存入原始頁面數據庫。其中的頁面數據與用戶瀏覽器得到的HTML是完全一樣的。搜索引擎蜘蛛在抓取頁面時，也做一定的重復內容檢測，一旦遇到權重很低的網站上有大量抄襲、采集或者復制的內容，很可能就不再爬行。

3.預處理：搜索引擎將蜘蛛抓取回來的頁面，進行各種步驟的預處理。

四、常用的搜索引擎有哪些？

索引擎（search engines）是對互聯(lián)網上的信息資源進行搜集整理，然后供你查詢的系統(tǒng)，它包括信息搜集、信息整理和用戶查詢三部分。搜索引擎是一個為你提供信息“檢索”服務的網站，它使用某些程序把因特網上的所有信息歸類以幫助人們在茫茫網海中搜尋到所需要的信息。早期的搜索引擎是把因特網中的資源服務器的地址收集起來，由其提供的資源的類型不同而分成不同的目錄，再一層層地進行分類。人們要找自己想要的信息可按他們的分類一層層進入，就能最后到達目的地，找到自己想要的信息。這其實是最原始的方式，只適用于因特網信息并不多的時候。隨著因特網信息按幾何式增長，出現(xiàn)了真正意義上的搜索引擎，這些搜索引擎知道網站上每一頁的開始，隨后搜索因特網上的所有超級鏈接，把代表超級鏈接的所有詞匯放入一個數據庫。這就是現(xiàn)在搜索引擎的原型。隨著yahoo!的出現(xiàn)，搜索引擎的發(fā)展也進入了黃金時代，相比以前其性能更加優(yōu)越。現(xiàn)在的搜索引擎已經不只是單純的搜索網頁的信息了，它們已經變得更加綜合化，完美化了。以搜索引擎權威yahoo!為例，從1995年3月由美籍華裔楊致遠等人創(chuàng)辦yahoo!開始，到現(xiàn)在，他們從一個單一的搜索引擎發(fā)展到現(xiàn)在有電子商務、新聞信息服務、個人免費電子信箱服務等多種網絡服務，充分說明了搜索引擎的發(fā)展從單一到綜合的過程。然而由于搜索引擎的工作方式和因特網的快速發(fā)展，使其搜索的結果讓人越來越不滿意。例如，搜索“電腦”這個詞匯，就可能有數百萬頁的結果。這是由于搜索引擎通過對網站的相關性來優(yōu)化搜索結果，這種相關性又是由關鍵字在網站的位置、網站的名稱、標簽等公式來決定的。這就是使搜索引擎搜索結果多而雜的原因。而搜索引擎中的數據庫因為因特網的發(fā)展變化也必然包含了死鏈接。這篇文章中，我們介紹了google，它是一個大型的搜索引擎（of a large-scale search engine）的原型，搜索引擎在超文本中應用廣泛。Google的設計能夠高效地抓網頁并建立索引，它的查詢結果比其它現(xiàn)有系統(tǒng)都高明。這個原型的全文和超連接的數據庫至少包含24‘000‘000個網頁。我們可以從http://google.stanford.edu/ 下載。設計搜索引擎是一項富有挑戰(zhàn)性的工作。搜索引擎為上億個網頁建立索引，其中包含大量迥然不同的詞匯。而且每天要回答成千上萬個查詢。在網絡中，盡管大型搜索引擎非常重要，但是學術界卻很少研究它。此外由于技術的快速發(fā)展和網頁的大量增加，現(xiàn)在建立一個搜索引擎和三年前完全不同。本文詳細介紹了我們的大型搜索引擎，據我們所知，在公開發(fā)表的論文中，這是第一篇描述地如此詳細。除了把傳統(tǒng)數據搜索技術應用到如此大量級網頁中所遇到的問題，還有許多新的技術挑戰(zhàn)，包括應用超文本中的附加信息改進搜索結果。本文將解決這個問題，描述如何運用超文本中的附加信息，建立一個大型實用系統(tǒng)。任何人都可以在網上隨意發(fā)布信息，如何有效地處理這些無組織的超文本集合，也是本文要關注的問題。關鍵詞 World Wide Web，搜索引擎，信息檢索，PageRank, Google 1 緒論 Web 給信息檢索帶來了新的挑戰(zhàn)。Web上的信息量快速增長，同時不斷有毫無經驗的新用戶來體驗Web這門藝術。人們喜歡用超級鏈接來網上沖浪，通常都以象Yahoo這樣重要的網頁或搜索引擎開始。大家認為List(目錄)有效地包含了大家感興趣的主題，但是它具有主觀性，建立和維護的代價高，升級慢，不能包括所有深奧的主題?；陉P鍵詞的自動搜索引擎通常返回太多的低質量的匹配。使問題更遭的是，一些廣告為了贏得人們的關注想方設法誤導自動搜索引擎。我們建立了一個大型搜索引擎解決了現(xiàn)有系統(tǒng)中的很多問題。應用超文本結構，大大提高了查詢質量。我們的系統(tǒng)命名為google，取名自googol的通俗拼法，即10的100次方，這和我們的目標建立一個大型搜索引擎不謀而合。 1.1網絡搜索引擎—升級換代（scaling up）：1994-2000 搜索引擎技術不得不快速升級（scale dramatically）跟上成倍增長的web數量。1994年，第一個Web搜索引擎，World Wide Web Worm(WWWW)可以檢索到110，000個網頁和Web的文件。到1994年11月，頂級的搜索引擎聲稱可以檢索到2‘000’000（WebCrawler）至100‘000’000個網絡文件（來自 Search Engine Watch）?？梢灶A見到2000年，可檢索到的網頁將超過1‘000’000‘000。同時，搜索引擎的訪問量也會以驚人的速度增長。在1997年的三四月份，World Wide Web Worm 平均每天收到1500個查詢。在1997年11月，Altavista 聲稱它每天要處理大約20’000’000個查詢。隨著網絡用戶的增長，到2000年，自動搜索引擎每天將處理上億個查詢。我們系統(tǒng)的設計目標要解決許多問題，包括質量和可升級性，引入升級搜索引擎技術（scaling search engine technology），把它升級到如此大量的數據上。 1.2 Google：跟上Web的步伐（Scaling with the Web）建立一個能夠和當今web規(guī)模相適應的搜索引擎會面臨許多挑戰(zhàn)。抓網頁技術必須足夠快，才能跟上網頁變化的速度（keep them up to date）。存儲索引和文檔的空間必須足夠大。索引系統(tǒng)必須能夠有效地處理上千億的數據。處理查詢必須快，達到每秒能處理成百上千個查詢（hundreds to thousands per second.）。隨著Web的不斷增長，這些任務變得越來越艱巨。然而硬件的執(zhí)行效率和成本也在快速增長，可以部分抵消這些困難。還有幾個值得注意的因素，如磁盤的尋道時間（disk seek time），操作系統(tǒng)的效率（operating system robustness）。在設計Google的過程中，我們既考慮了Web的增長速度，又考慮了技術的更新。Google的設計能夠很好的升級處理海量數據集。它能夠有效地利用存儲空間來存儲索引。優(yōu)化的數據結構能夠快速有效地存?。▍⒖?.2節(jié)）。進一步，我們希望，相對于所抓取的文本文件和HTML網頁的數量而言，存儲和建立索引的代價盡可能的?。▍⒖几戒汢）。對于象Google這樣的集中式系統(tǒng)，采取這些措施得到了令人滿意的系統(tǒng)可升級性（scaling properties）。 1. 3設計目標 1.3.1提高搜索質量我們的主要目標是提高Web搜索引擎的質量。1994年，有人認為建立全搜索索引（a complete search index）可以使查找任何數據都變得容易。根據Best of the Web 1994 -- Navigators ，“最好的導航服務可以使在Web上搜索任何信息都很容易（當時所有的數據都可以被登錄）”。然而1997年的Web就迥然不同。近來搜索引擎的用戶已經證實索引的完整性不是評價搜索質量的唯一標準。用戶感興趣的搜索結果往往湮沒在“垃圾結果Junk result”中。實際上，到1997年11月為止，四大商業(yè)搜索引擎中只有一個能夠找到它自己（搜索自己名字時返回的前十個結果中有它自己）。導致這一問題的主要原因是文檔的索引數目增加了好幾個數量級，但是用戶能夠看的文檔數卻沒有增加。用戶仍然只希望看前面幾十個搜索結果。因此，當集合增大時，我們就需要工具使結果精確（在返回的前幾十個結果中，有關文檔的數量）。由于是從成千上萬個有點相關的文檔中選出幾十個，實際上，相關的概念就是指最好的文檔。高精確非常重要，甚至以響應（系統(tǒng)能夠返回的有關文檔的總數）為代價。令人高興的是利用超文本鏈接提供的信息有助于改進搜索和其它應用。尤其是鏈接結構和鏈接文本，為相關性的判斷和高質量的過濾提供了大量的信息。Google既利用了鏈接結構又用到了anchor文本（見2.1和2.2節(jié)）。 1.3.2搜索引擎的學術研究隨著時間的流逝，除了發(fā)展迅速，Web越來越商業(yè)化。1993年，只有1.5%的Web服務是來自.com域名。到1997年，超過了60%。同時，搜索引擎從學術領域走進商業(yè)。到現(xiàn)在大多數搜索引擎被公司所有，很少技公開術細節(jié)。這就導致搜索引擎技術很大程度上仍然是暗箱操作，并傾向做廣告（見附錄A）。Google的主要目標是推動學術領域在此方面的發(fā)展，和對它的了解。另一個設計目標是給大家一個實用的系統(tǒng)。應用對我們來說非常重要，因為現(xiàn)代網絡系統(tǒng)中存在大量的有用數據（us because we think some of the most interesting research will involve leveraging the vast amount of usage data that is available from modern web systems）。例如，每天有幾千萬個研究。然而，得到這些數據卻非常困難，主要因為它們沒有商業(yè)價值。我們最后的設計目標是建立一個體系結構能夠支持新的關于海量Web數據的研究。為了支持新研究，Google以壓縮的形式保存了實際所抓到的文檔。設計google的目標之一就是要建立一個環(huán)境使其他研究者能夠很快進入這個領域，處理海量Web數據，得到滿意的結果，而通過其它方法卻很難得到結果。系統(tǒng)在短時間內被建立起來，已經有幾篇論文用到了Google建的數據庫，更多的在起步中。我們的另一個目標是建立一個宇宙空間實驗室似的環(huán)境，在這里研究者甚至學生都可以對我們的海量Web數據設計或做一些實驗。 2. 系統(tǒng)特點 Google搜索引擎有兩個重要特點，有助于得到高精度的搜索結果。第一點，應用Web的鏈接結構計算每個網頁的Rank值，稱為PageRank，將在98頁詳細描述它。第二點，Google利用超鏈接改進搜索結果。 2.1 PageRank:給網頁排序 Web的引用（鏈接）圖是重要的資源，卻被當今的搜索引擎很大程度上忽視了。我們建立了一個包含518‘000’000個超鏈接的圖，它是一個具有重要意義的樣本。這些圖能夠快速地計算網頁的PageRank值，它是一個客觀的標準，較好的符合人們心目中對一個網頁重要程度的評價，建立的基礎是通過引用判斷重要性。因此在web中，PageRank能夠優(yōu)化關鍵詞查詢的結果。對于大多數的主題，在網頁標題查詢中用PageRank優(yōu)化簡單文本匹配，我們得到了令人驚嘆的結果（從google.stanford.edu可以得到演示）。對于Google主系統(tǒng)中的全文搜索，PageRank也幫了不少忙。 2.1.1計算PageRank 文獻檢索中的引用理論用到Web中，引用網頁的鏈接數，一定程度上反映了該網頁的重要性和質量。PageRank發(fā)展了這種思想，網頁間的鏈接是不平等的。 PageRank定義如下: 我們假設T1…Tn指向網頁A（例如，被引用）。參數d是制動因子，使結果在0，1之間。通常d等于0.85。在下一節(jié)將詳細介紹d。C（A）定義為網頁A指向其它網頁的鏈接數，網頁A的PageRank值由下式給出： PR(A) = (1-d) + d (PR(T1)/C(T1) + ... + PR(Tn)/C(Tn)) 注意PageRank的形式，分布到各個網頁中，因此所有網頁的PageRank和是1。 PageRank或PR（A）可以用簡單的迭代算法計算，相應規(guī)格化Web鏈接矩陣的主特征向量。中等規(guī)模的網站計算26‘000’000網頁的PageRank值要花費幾小時。還有一些技術細節(jié)超出了本文論述的范圍。 2.1.2直覺判斷 PageRank被看作用戶行為的模型。我們假設網上沖浪是隨機的，不斷點擊鏈接，從不返回，最終煩了，另外隨機選一個網頁重新開始沖浪。隨機訪問一個網頁的可能性就是它的PageRank值。制動因子d是隨機訪問一個網頁煩了的可能性，隨機另選一個網頁。對單個網頁或一組網頁，一個重要的變量加入到制動因子d中。這允許個人可以故意地誤導系統(tǒng)，以得到較高的PageRank值。我們還有其它的PageRank算法，見98頁。另外的直覺判斷是一個網頁有很多網頁指向它，或者一些PageRank值高的網頁指向它，則這個網頁很重要。直覺地，在Web中，一個網頁被很多網頁引用，那么這個網頁值得一看。一個網頁被象Yahoo這樣重要的主頁引用即使一次，也值得一看。如果一個網頁的質量不高，或者是死鏈接，象Yahoo這樣的主頁不會鏈向它。PageRank處理了這兩方面因素，并通過網絡鏈接遞歸地傳遞。 & nbsp; 2.2鏈接描述文字（Anchor Text）我們的搜索引擎對鏈接文本進行了特殊的處理。大多數搜索引擎把鏈接文字和它所鏈向的網頁（the page that the link is on）聯(lián)系起來。另外，把它和鏈接所指向的網頁聯(lián)系起來。這有幾點好處。第一，通常鏈接描述文字比網頁本身更精確地描述該網頁。第二，鏈接描述文字可能鏈向的文檔不能被文本搜索引擎檢索到，例如圖像，程序和數據庫。有可能使返回的網頁不能被抓到。注意哪些抓不到的網頁將會帶來一些問題。在返回給用戶前檢測不了它們的有效性。這種情況搜索引擎可能返回一個根本不存在的網頁，但是有超級鏈接指向它。然而這種結果可以被挑出來的，所以此類的問題很少發(fā)生。鏈接描述文字是對被鏈向網頁的宣傳，這個思想被用在World Wide Web Worm 中，主要因為它有助于搜索非文本信息，能夠用少量的已下載文檔擴大搜索范圍。我們大量應用鏈接描述文字，因為它有助于提高搜索結果的質量。有效地利用鏈接描述文字技術上存在一些困難，因為必須處理大量的數據?，F(xiàn)在我們能抓到24‘000’000個網頁，已經檢索到259‘000’000多個鏈接描述文字。 2.3其它特點除了PageRank和應用鏈接描述文字外，Google還有一些其它特點。第一,所有hit都有位置信息，所以它可以在搜索中廣泛應用鄰近性（proximity）。第二，Google跟蹤一些可視化外表細節(jié)，例如字號。黑體大號字比其它文字更重要。第三，知識庫存儲了原始的全文html網頁。 3有關工作 Web檢索研究的歷史簡短。World Wide Web Worm（）是最早的搜索引擎之一。后來出現(xiàn)了一些用于學術研究的搜索引擎，現(xiàn)在它們中的大多數被上市公司擁有。與Web的增長和搜索引擎的重要性相比，有關當今搜索引擎技術的優(yōu)秀論文相當少。根據Michael Mauldin（Lycos Inc的首席科學家）) ，“各種各樣的服務（包括Lycos）非常關注這些數據庫的細節(jié)?！彪m然在搜索引擎的某些特點上做了大量工作。具有代表性的工作有，對現(xiàn)有商業(yè)搜索引擎的結果進行傳遞，或建立小型的個性化的搜索引擎。最后有關信息檢索系統(tǒng)的研究很多，尤其在有組織機構集合（well controlled collections）方面。在下面兩節(jié)，我們將討論在信息檢索系統(tǒng)中的哪些領域需要改進以便更好的工作在Web上。 3.1信息檢索信息檢索系統(tǒng)誕生在幾年前，并發(fā)展迅速。然而大多數信息檢索系統(tǒng)研究的對象是小規(guī)模的單一的有組織結構的集合，例如科學論文集，或相關主題的新聞故事。實際上，信息檢索的主要基準，the Text Retrieval Conference（），用小規(guī)模的、有組織結構的集合作為它們的基準。大型文集基準只有20GB，相比之下，我們抓到的24000000個網頁占147GB。在TREC上工作良好的系統(tǒng)，在Web上卻不一定產生好的結果。例如，標準向量空間模型企圖返回和查詢請求最相近的文檔，把查詢請求和文檔都看作由出現(xiàn)在它們中的詞匯組成的向量。在Web環(huán)境下，這種策略常常返回非常短的文檔，這些文檔往往是查詢詞再加幾個字。例如，查詢“Bill Clinton”，返回的網頁只包含“Bill Clinton Sucks”，這是我們從一個主要搜索引擎中看到的。網絡上有些爭議，用戶應該更準確地表達他們想查詢什么，在他們的查詢請求中用更多的詞。我們強烈反對這種觀點。如果用戶提出象“Bill Clinton”這樣的查詢請求，應該得到理想的查詢結果，因為這個主題有許多高質量的信息。象所給的例子，我們認為信息檢索標準需要發(fā)展，以便有效地處理Web數據。 3.2有組織結構的集合（Well Controlled Collections）與Web的不同點 Web是完全無組織的異構的大量文檔的集合。Web中的文檔無論內在信息還是隱含信息都存在大量的異構性。例如，文檔內部就用了不同的語言（既有人類語言又有程序），詞匯（[email]地址，鏈接，郵政編碼，電話號碼，產品號），類型（文本，HTML，PDF，圖像，聲音），有些甚至是機器創(chuàng)建的文件（log文件，或數據庫的輸出）?？梢詮奈臋n中推斷出來，但并不包含在文檔中的信息稱為隱含信息。隱含信息包括來源的信譽，更新頻率，質量，訪問量和引用。不但隱含信息的可能來源各種各樣，而且被檢測的信息也大不相同，相差可達好幾個數量級。例如，一個重要主頁的使用量，象Yahoo 每天瀏覽數達到上百萬次，于此相比無名的歷史文章可能十年才被訪問一次。很明顯，搜索引擎對這兩類信息的處理是不同的。 Web與有組織結構集合之間的另外一個明顯區(qū)別是，事實上，向Web上傳信息沒有任何限制。靈活利用這點可以發(fā)布任何對搜索引擎影響重大的信息，使路由阻塞，加上為牟利故意操縱搜索引擎，這些已經成為一個嚴重的問題。這些問題還沒有被傳統(tǒng)的封閉的信息檢索系統(tǒng)所提出來。它關心的是元數據的努力，這在Web搜索引擎中卻不適用，因為網頁中的任何文本都不會向用戶聲稱企圖操縱搜索引擎。甚至有些公司為牟利專門操縱搜索引擎。 4 系統(tǒng)分析（System Anatomy）首先，我們提供高水平的有關體系結構的討論。然后，詳細描述重要的數據結構。最后，主要應用：抓網頁，索引，搜索將被嚴格地檢查。 Figure 1. High Level Google Architecture 4.1Google體系結構概述這一節(jié)，我們將看看整個系統(tǒng)是如何工作的（give a high level），見圖1。本節(jié)不討論應用和數據結構，在后幾節(jié)中討論。為了效率大部分Google是用c或c++實現(xiàn)的，既可以在Solaris也可以在Linux上運行。 Google系統(tǒng)中，抓網頁（下載網頁）是由幾個分布式crawlers完成的。一個URL服務器負責向crawlers提供URL列表。抓來的網頁交給存儲服務器storeserver。然后，由存儲服務器壓縮網頁并把它們存到知識庫repository中。每個網頁都有一個ID，稱作docID，當新URL從網頁中分析出時，就被分配一個docID。由索引器和排序器負責建立索引index function。索引器從知識庫中讀取文檔，對其解壓縮和分析。每個文檔被轉換成一組詞的出現(xiàn)情況，稱作命中hits。Hits紀錄了詞，詞在文檔中的位置，最接近的字號，大小寫。索引器把這些hits分配到一組桶barrel中，產生經過部分排序后的索引。索引器的另一個重要功能是分析網頁中所有的鏈接，將有關的重要信息存在鏈接描述anchors文件中。該文件包含了足夠的信息，可以用來判斷每個鏈接鏈出鏈入節(jié)點的信息，和鏈接文本。 URL分解器resolver閱讀鏈接描述anchors文件，并把相對URL轉換成絕對URL，再轉換成docID。為鏈接描述文本編制索引，并與它所指向的docID關聯(lián)起來。同時建立由docID對組成的鏈接數據庫。用于計算所有文檔的PageRank值。用docID分類后的barrels，送給排序器sorter，再根據wordID進行分類，建立反向索引inverted index。這個操作要恰到好處，以便幾乎不需要暫存空間。排序器還給出docID和偏移量列表，建立反向索引。一個叫DumpLexicon的程序把這個列表和由索引器產生的字典結合在一起，建立一個新的字典，供搜索器使用。這個搜索器就是利用一個Web服務器，使用由DumpLexicon所生成的字典，利用上述反向索引以及頁面等級PageRank來回答用戶的提問。 4.2主要數據結構經過優(yōu)化的Google數據結構，能夠用較小的代價抓取大量文檔，建立索引和查詢。雖然近幾年CPU和輸入輸出速率迅速提高。磁盤尋道仍然需要10ms。任何時候Google系統(tǒng)的設計都盡可能地避免磁盤尋道。這對數據結構的設計影響很大。 4.2.1大文件大文件BigFiles是指虛擬文件生成的多文件系統(tǒng)，用長度是64位的整型數據尋址。多文件系統(tǒng)之間的空間分配是自動完成的。BigFiles包也處理已分配和未分配文件描述符。由于操縱系統(tǒng)不能滿足我們的需要，BigFiles也支持基本的壓縮選項。 4.2.2知識庫 Figure 2. Repository Data Structure 知識庫包含每個網頁的全部HTML。每個網頁用zlib（見RFC1950）壓縮。壓縮技術的選擇既要考慮速度又要考慮壓縮率。我們選擇zlib的速度而不是壓縮率很高的bzip。知識庫用bzip的壓縮率接近4：1。而用zlib的壓縮率是3：1。文檔一個挨著一個的存儲在知識庫中，前綴是docID，長度，URL，見圖2。訪問知識庫不需要其它的數據結構。這有助于數據一致性和升級。用其它數據結構重構系統(tǒng)，我們只需要修改知識庫和crawler錯誤列表文件。 4.2.3文件索引文件索引保存了有關文檔的一些信息。索引以docID的順序排列，定寬ISAM（Index sequential access mode）。每條記錄包括當前文件狀態(tài)，一個指向知識庫的指針，文件校驗和，各種統(tǒng)計表。如果一個文檔已經被抓到，指針指向docinfo文件，該文件的寬度可變，包含了URL和標題。否則指針指向包含這個URL的URL列表。這種設計考慮到簡潔的數據結構，以及在查詢中只需要一個磁盤尋道時間就能夠訪問一條記錄。還有一個文件用于把URL轉換成docID。它是URL校驗和與相應docID的列表，按校驗和排序。要想知道某個URL的docID，需要計算URL的校驗和，然后在校驗和文件中執(zhí)行二進制查找，找到它的docID。通過對這個文件進行合并，可以把一批URL轉換成對應的docID。URL分析器用這項技術把URL轉換成docID。這種成批更新的模式是至關重要的，否則每個鏈接都需要一次查詢，假如用一塊磁盤，322‘000’000個鏈接的數據集合將花費一個多月的時間。 4.2.4詞典詞典有幾種不同的形式。和以前系統(tǒng)的重要不同是，詞典對內存的要求可以在合理的價格內。現(xiàn)在實現(xiàn)的系統(tǒng)，一臺256M內存的機器就可以把詞典裝入到內存中?，F(xiàn)在的詞典包含14000000詞匯（雖然一些很少用的詞匯沒有加入到詞典中）。它執(zhí)行分兩部分—詞匯表（用null分隔的連續(xù)串）和指針的哈希表。不同的函數，詞匯表有一些輔助信息，這超出了本文論述的范圍。 4.2.5 hit list hit list是一篇文檔中所出現(xiàn)的詞的列表，包括位置，字號，大小寫。Hit list占很大空間，用在正向和反向索引中。因此，它的表示形式越有效越好。我們考慮了幾種方案來編碼位置，字號，大小寫—簡單編碼（3個整型數），緊湊編碼（支持優(yōu)化分配比特位），哈夫曼編碼。Hit的詳細信息見圖3。我們的緊湊編碼每個hit用2字節(jié)。有兩種類型hit，特殊hit和普通hit。特殊hit包含URL，標題，鏈接描述文字，meta tag。普通hit包含其它每件事。它包括大小寫特征位，字號，12比特用于描述詞在文檔中的位置（所有超過4095的位置標記為4096）。字號采用相對于文檔的其它部分的相對大小表示，占3比特(實際只用7個值，因為111標志是特殊hit)。特殊hit由大小寫特征位，字號位為7表示它是特殊hit，用4比特表示特殊hit的類型，8比特表示位置。對于anchor hit八比特位置位分出4比特用來表示在anchor中的位置，4比特用于表明anchor出現(xiàn)的哈希表hash of the docID。短語查詢是有限的，對某些詞沒有足夠多的anchor。我們希望更新anchor hit的存儲方式，以便解決地址位和docIDhash域位數不足的問題。

以上就是關于資源搜索引擎相關問題的回答。希望能幫到你，如有更多相關問題，您也可以聯(lián)系我們的客服進行咨詢，客服也會為您講解更多精彩的知識和內容。