在互聯(lián)網(wǎng)時(shí)代，搜索引擎可以說是日常生活的一部分。不僅如此，搜索引擎歷經(jīng)20多年的風(fēng)霜雨雪，仍然牢牢占據(jù)著流量入口，不得不讓人感嘆。
而且，提起搜索引擎，我們都會(huì)想到一家高大上的巨無霸公司和一家被黑出xiang的巨霸公司。足以見得搜索引擎的巨大作用。
作為產(chǎn)品人，對(duì)此當(dāng)然不能視而不見，也應(yīng)該了解了解其工作原理。
搜索引擎工作原理大致可以分為3個(gè)步驟
1. 爬行與抓取
2. 預(yù)處理
3. 排序
所謂一圖勝千言，沒圖我說個(gè)……
PS：上圖總結(jié)自《SEO實(shí)戰(zhàn)密碼》。
下面詳細(xì)敘述：
爬行與抓取
簡單地說：就是搜索引擎蜘蛛沿著互聯(lián)網(wǎng)絡(luò)爬行并抓取其爬行的頁面，將這些抓取的頁面存儲(chǔ)起來。
說到這，你可能會(huì)問：為什么叫「蜘蛛」？
為了抓取盡量多的頁面，搜索引擎會(huì)跟蹤頁面上的鏈接，從一個(gè)頁面爬行到下一個(gè)頁面，好像蜘蛛在蜘蛛網(wǎng)上爬行那樣，這就是 搜索引擎蜘蛛 這個(gè)名稱的由來。
搜索引擎在跟蹤網(wǎng)絡(luò)上的鏈接時(shí)，會(huì)使用一定策略，因?yàn)楝F(xiàn)在的網(wǎng)絡(luò)鏈接太多。最簡單的爬行遍歷策略有兩種，一種是 深度優(yōu)先 ，一種是 廣度優(yōu)先 。
還有一點(diǎn)值得一提：搜索引擎訪問網(wǎng)站頁面時(shí) 類似于普通用戶使用的瀏覽器 。搜索引擎蜘蛛抓取的數(shù)據(jù)存入原始頁面數(shù)據(jù)庫，其中的頁面數(shù)據(jù)與用戶瀏覽器得到的HTML完全一樣。
預(yù)處理
由于抓取的頁面數(shù)量太大（以”億”為單位），無法快速實(shí)時(shí)排序，所以需要預(yù)處理。這就是產(chǎn)品設(shè)計(jì)中的「 復(fù)雜性守恒原則 」，我們沒辦法讓用戶等待十幾秒甚至更久，就只能在后臺(tái)處理上下功夫。
在一些資料中，「預(yù)處理」也被稱為「索引」，因?yàn)椤杆饕故穷A(yù)處理最主要的內(nèi)容。
預(yù)處理的過程比較復(fù)雜，值得一提的有這么幾點(diǎn)：
去重 ：對(duì)于內(nèi)容相似度高的，搜索引擎不喜歡，因?yàn)橛脩舨幌矚g這樣的內(nèi)容。而且，搜索引擎的去重算法很可能不止于頁面級(jí)別，而是進(jìn)行到段落級(jí)別。因此，混合不同文章、交叉調(diào)換段落順序也不能使轉(zhuǎn)載和抄襲變成原創(chuàng)。所以， 少抄襲，多原創(chuàng)吧 。
正向索引 ：可以簡稱為「索引」。通過這個(gè)步驟，搜索引擎將頁面及關(guān)鍵詞形成詞表結(jié)構(gòu)存儲(chǔ)進(jìn)索引庫。簡化的索引詞表形式如下。你看，這樣就得到了每個(gè)文件（如每個(gè)頁面）的對(duì)應(yīng)關(guān)鍵詞。這樣用戶就能搜索了嗎？還不行。
倒排索引 ：正向索引雖然提供了文件與關(guān)鍵詞的對(duì)應(yīng)關(guān)系，但無奈用戶搜索的是關(guān)鍵詞，因此搜索引擎還需根據(jù)這些對(duì)應(yīng)關(guān)系找到某關(guān)鍵詞對(duì)應(yīng)的文件，這樣的計(jì)算量無法滿足實(shí)時(shí)返回排名結(jié)果的要求。因此，還需要 倒排索引 。倒排索引與正向索引剛好相反，它以關(guān)鍵詞為關(guān)鍵，簡單來說如下表：
得到了倒排索引，就能很快地根據(jù)用戶搜索的關(guān)鍵詞找到對(duì)應(yīng)文件，但這樣就夠了嗎？別天真啊。
通過上述步驟，其實(shí)只得到了頁面本身的內(nèi)容。說白了，就是頁面本身告訴搜索引擎自己如何如何。
俗話說：王婆賣瓜，自賣自夸。
就像我們網(wǎng)購時(shí)不僅會(huì)看店家給的商品介紹，還會(huì)看看買家的評(píng)論一樣，頁面內(nèi)容質(zhì)量，也需要其他人的評(píng)價(jià)——這里的「其他人」指「其他頁面。」所以，我們還需要鏈接關(guān)系計(jì)算。
鏈接關(guān)系計(jì)算 ：每個(gè)頁面上都有鏈接，不同頁面之間用鏈接互相關(guān)聯(lián)起來，這些關(guān)聯(lián)關(guān)系，就形成了其他頁面對(duì)某個(gè)頁面的評(píng)價(jià)。這些復(fù)雜的鏈接指向關(guān)系形成了網(wǎng)站和頁面的鏈接權(quán)重。
排名
發(fā)現(xiàn)沒有：排名，是用戶是用戶唯一能感覺到的步驟，爬行與抓取、預(yù)處理，都在后臺(tái)完成。正因如此，用戶才會(huì)感到用起來十分快捷。
排名的過程也比較復(fù)雜，其中值得一提的有如下幾點(diǎn)：
搜索詞處理 ：說白了，就是處理用戶輸入的關(guān)鍵詞。這一步對(duì)用戶來說更為關(guān)鍵，因?yàn)樗阉饕孢€不夠智能，需要我們?nèi)W(xué)習(xí)一些高級(jí)指令，以獲得更為精準(zhǔn)的內(nèi)容。
但由于每個(gè)關(guān)鍵詞對(duì)應(yīng)的文件數(shù)量都可能是巨大的（如幾億個(gè)），處理如此龐大的數(shù)據(jù)量，無法滿足用戶對(duì)「快」的需求。同時(shí)，用戶并不需要所有內(nèi)容，他們往往只查看前幾頁內(nèi)容，甚至很多用戶只查看第一頁的前幾條內(nèi)容。因此，選擇一定數(shù)量的內(nèi)容進(jìn)行處理，很有必要。這就涉及到 選擇初識(shí)子集 。
但如何選擇呢？這是一個(gè)問題。
選擇初識(shí)子集 ：選擇出示子集，關(guān)鍵在于「 權(quán)重 」。所以說權(quán)重有多重要，即使頁面做得好，但權(quán)重不高，連做備胎的機(jī)會(huì)都沒有。
相關(guān)性計(jì)算 ：這是排名過程中最重要的一步，最終搜索結(jié)果頁面的排名基本按照相關(guān)性從高到低排序。
但到此就結(jié)束了嗎？還沒有哦。
排名過濾及調(diào)整 ：為了保證用戶搜索結(jié)果更符合用戶需求，搜索引擎需要過濾掉那些處心積慮鉆空子的頁面，在這一步，搜索引擎會(huì)找出這些頁面并施加懲罰。典型的例子是百度的11位。所以，過度優(yōu)化有風(fēng)險(xiǎn)。
查詢及點(diǎn)擊日志 ：通過這一步，搜索引擎記錄了用戶的一些數(shù)據(jù)，從而為后續(xù)的優(yōu)化提供依據(jù)。這和產(chǎn)品日常工作中的數(shù)據(jù)埋點(diǎn)有些相似。
本文轉(zhuǎn)載自網(wǎng)絡(luò)，版權(quán)歸原作者所有！
文章轉(zhuǎn)載請(qǐng)保留網(wǎng)址：http://aberdeenanguscattle.com/news/industry/1919.html
