【搜索引擎原理】搜索引擎预处理工作原理
通过上边编者对搜索引擎预处理概念的一个简单的介绍想必各位读者有一定的了解那么在众多预处理的流程中具体究竟是怎样的一个工作流程呢？下面就让我们一起看一下搜索引擎在预处理中的各个工作流程！
1.关键词的提取：搜索引擎能够完全识别的主要还是以文字内容为主的网络资源。搜索引擎蜘蛛在爬取一个页面的同时也把大量的htmL代码抓取下来重庆网站seo优化排名那么在众多预处理的流程中具体究竟是怎样的一个工作流程呢？下面就让我们一起看一下搜索引擎在预处理中的各个工作流程！
1.关键词的提取：搜索引擎能够完全识别的主要还是以文字内容为主的网络资源。搜索引擎蜘蛛在爬取一个页面的同时也把大量的htmL代码抓取下来如keywords,descriptiontitleHcss,div标签等而它的主要工作还是将HTML标签、程序等处理然后提取用于排名计算的文字信息内容。
2.删除重复无用词：同一个词在一个网页中出现很多次如“得”、“我”、“的”、“你”、“地”、“啊”、.“呀”、“却”、“再”、“从而”等这类的无用助词出现的频率虽然很高但是一旦反复出现就没太大价值了一般这类词就归结为停用词。这类词也需要去除掉。
3.中文分词技术：分词是中文搜索引擎独有的技术支持。中文信息和英文信息的差别在于:英文单词与单词之间用的是空格分隔的这对中文就行不通了搜索引擎必须将整个句子切割成小单元词如“我是中国人”拆分出来的形态是“我”、“是”、“中国”、“人”。分词技术的效率直接影响到整个系统的效率。
分词的方法基本上有两种:基于字符串匹配的分词方法和基于统计的分词方法。
1)基于字符串匹配的分词方法
按匹配方向的不同可分为正向匹配、逆向匹配和最少切词。可将这三种方法混合起来使用即正向最大匹配、逆向最大匹配、正向最小匹配、逆向最小匹配。
正向最大匹配:假设字典中最长的词语字数为m先根据汉语标点符号及特征词把汉语句子切分为短语然后去取短语的前m个字在字库里面查找是否存在这个词语如果存在短语就去掉这个词;如果不存在就去掉这m个字的最后一个字接着检查剩下的词是否是单字若是则输出此字并将此字从短语中去掉若不是则继续判断字库中是否存在这个词如此反复循环直到输出一个词此后继续取剩余短语的前m个字反复循环。这样就可以将一个短语分成词语的组合了。
以“我是一个好人”为例假设字典中最长词语字数为3正向最大匹配顺序为:
(1)取出短语“我是中”检查“我是中”是否在字典中存在或是一个单字处理方式是去掉最后面的“中”字;
(2)检查短语“我是”是否在字典中存在或是一个单字处理方式是去掉“是”字;
(3)检查“我”字是否在字典中存在或是一个单字“我”是一个单字将“我”字输出;
(4)继续取出短语“是中国”检查“是中国”是否在字典中存在或是一个单字处理方式是去掉最后面的“国个”字;
(5)检查短语“是中”是否在字典中存在或是一个单字处理方式是去掉“中”字;
(6)检查“是”字是否在字典中存在或是一个单字“是”是一个单字将“是”字输出;
(7)取出短语“中国人”检查“中国人”是否在字典中存在或是一个单字处理方式是去掉最后面的“好”字;
(8)检查短语“中国”发现是字典中的一个词直接输出;
(9)检查短语“国人”发现是字典中的一个词直接输出;
(10)最后输出结果为:我、是、中国、人。
逆向最大匹配:以句子结尾处进行分词的方法。逆向最大匹配技术最大的一个作用是用来消歧。如“富营销线下聚会在下城子镇举行”按照正向最大匹配结果为:富/营销/线/下/聚会/在/下/城子镇/举行很显然这当中差生了歧义。下城子镇是一个地名没有被正确地切分。采用逆向最大匹配的技术可以修正这个错误。例如设定一个分词节点大小为7那么“在下城子镇举行”中很显然“举行”被分出来了最后剩下“聚会在下城子镇”这样一来歧义就被消除了。
正向最小匹配/逆向最小匹配:一般很少使用到实际使用中逆向匹配的精准度要高于正向匹配度。
2)基于统计分词方法
直接调用分词词典中的若干词进行匹配同时也使用统计技术来识别一些新的词语将所有的统计结果匹配起来发挥切词的最高效率。
分词词典是搜索引擎判断词语的依据基本上收录了汉语词典当中所有的词语。如我们在搜索引擎中输入“我要减肥了”“减肥”两字就会被判定为一个词语。现在网络上经常会出现一些新造的网络流行词语如“神马”、“犀利哥”等这样的词也都会慢慢地被收录。分词词典只有不断更新才能满足我们日常搜索判断的需求。
4.消除噪声：网页上有各种形形色色的广告文字、广告图片、登录框、版权信息等为了某些目的不得不放上去这些对搜索引擎来说不是有用的东西可以直接去掉。
5.分析网页建立倒排文件：正向索引:经过前面几步的工作之后就开始提取关键词了把页面转换为一个关键词组合同时记录每一个关键词在页面上的出现频率、出现次数、格式、位置这样每一个页面都可以记录为一串关键词组合其中每个关键词的词频、格式、位置等权重信息也都记录在案如图1-10所示。
倒排索引:正向索引还不能直接用于排名。假如用户搜索关键词3如果只用正向索引排名程序需要扫描所有的索引中的文件找出包含关键词3的文件再进行相关计算。这样一来计算无法实时返回排名结果。所以搜索引擎会将正向索引数据库重新构造为倒排索引倒排索引以关键词为索引如图1-11所示。
6.链接关系计算：链接关系计算是预处理中重要的一步。主流搜索引擎排名因素都包含网页之间的链接流信息。事先必须计算出页面上有哪些链接指向哪些其他页面每个页面有哪些导入链接链接使用了什么锚文本等种种的链接计算。GooglePR是这种链接关系计算的重要代表之一。
7.特殊文件处理：可以抓取和索引以文字为基础的多种文件类型。对flash、视频、PPT,XLS,图片等非文字内容不能执行脚本和程序。搜索引擎目前还无法获取flash文件和图片中的文字信息。图片一般推荐使用ALT标签图片文字信息。