從上次8月份百度站長平臺(tái)lee發(fā)布關(guān)于搜索引擎抓取信息后2個(gè)月已經(jīng)過去，這次lee繼續(xù)發(fā)布了搜索引擎索引系統(tǒng)的信息。不管怎么樣，木木SEO認(rèn)為百度官方的公告我們還是要了解和分析的。下面是百度官方公告：
眾所周知，搜索引擎的主要工作過程包括：抓取、存儲(chǔ)、頁面分析、索引、檢索等幾個(gè)主要過程。過去幾周給大家介紹了抓取相關(guān)的簡要過程。今天簡要介紹一下索引系統(tǒng)，以億為單位的網(wǎng)頁庫中查找特定的某些關(guān)鍵詞猶如大海里面撈針，也許一定的時(shí)間內(nèi)可以完成查找，但是用戶等不起，從用戶體驗(yàn)角度我們必須在毫秒級別給予用戶滿意的結(jié)果，否則用戶只能流失。怎樣才能達(dá)到這種要求呢?
如果能知道用戶查找的關(guān)鍵詞(query切詞后)都出現(xiàn)在哪些頁面中，那么用戶檢索的處理過程即可以想象為包含了query中切詞后不同部分的頁面集合求交的過程，而檢索即變成了頁面名稱之間的比較、求交。這樣，在毫秒內(nèi)以億為單位的檢索成為了可能。這就是通常所說的倒排索引及求交檢索的過程。如下為建立倒排索引的基本過程：
(1)頁面分析的過程實(shí)際上是將原始頁面的不同部分進(jìn)行識(shí)別并標(biāo)記，例如：title、keywords、content、link、anchor、評論、其他非重要區(qū)域等等;
(2)分詞的過程實(shí)際上包括了切詞、分詞、同義詞轉(zhuǎn)換、同義詞替換等等，以對某頁面title分詞為例，得到的將是這樣的數(shù)據(jù)：term文本、termId、詞類、詞性等等;
(3)之前的準(zhǔn)備工作完成后，接下來即是建立倒排索引，形成{termàdoc}，可以粗略的理解為如下，為什么是【term->doc】,而不是直接應(yīng)用【doc->term】呢?
上述即是索引系統(tǒng)中的倒排索引過程，是搜索引擎實(shí)現(xiàn)毫秒級檢索非常重要的一個(gè)環(huán)節(jié)。
好了，以上就百度發(fā)布的全文了，當(dāng)然是很簡單的，想了解更多可以看木木SEO的《不懂搜索引擎原理就是在裸奔》，我想大家在里面可以了解得更詳細(xì)。另外上面文章里面的幾個(gè)詞可能大家不理解，簡單的說一下：term就是單詞文本，即關(guān)鍵詞;termID就是單詞標(biāo)識(shí)。
文章編輯自：木木SEO博客
申請創(chuàng)業(yè)報(bào)道，分享創(chuàng)業(yè)好點(diǎn)子。點(diǎn)擊此處，共同探討創(chuàng)業(yè)新機(jī)遇！
