搜索引擎的基本原理及数据结构剖析

一个搜索引擎程序主要由搜索器(Crawler)、索引器(Indexer).检索器(Searcher)和用户接口(Ul:User Interface)等四个部分组成，主要存储设备由页面存储器(Repository)和存储桶(Barrel)两部分组成。

搜索器(C rawler),本质上是一种计算机爬虫(Spider)程序，它时刻不停地n动,从Internet上不断抓取各种Web网页信息，再将页面原始内容经过压缩处理，存入本地页面存储库中，己备日后处理所用。

索引器( Indexer),程序定期从页面存储库中取出网页原始信息，对其页面内容进行分析和分解，建立以单词为主关键字的索引，并初步进行排序处理，结果存入适当的“存储桶(Barrel)"，即硬件存储单元中。

当互联网用户通过用户接口UI提交查询时，检索器(Searcher)程序根据用户输入的查询关键词，在己由索引器(工ndexer)完成索引和初步排序的存储桶(Barrel)中进行查找，并采用特定的页面优先度算法对其结果进行最终排序，使之尽可能符合用户查询需求。最后，用户接口UI将最终查询结果呈现在互联网用户面前。

l.搜索器(Crawler)

搜索器的功能是在互联网中漫游，发现和搜集信息。它常常是一个计算机程序，日夜不停地运行。它要尽可能多、尽可能快地搜集各种类型的新信息，同时因为互联网上的信息更新很快，所以还要定期更新己经搜集过的旧信息，以避免死连接和无效连接。

目前有两种搜集信息的策略:
. 从一个起始URL集合开始，顺着这些URL中的超链(Hyperlink)，以宽度优先、深度优先或启发式方式循环地在互联网中发现信息。这些起始URL可以是任意的URL,但常常是一些非常流行、包含很多链接的站点〔如Yahoo!).
. 将 We b空间按照域名、IP地址或国家域名划分，每个搜索器负责一个子空间的穷尽搜索。

搜索器搜集的信息类型多种多样，包括HTML、XML、Newsgroup文章、FTP文件、字处理文档、多媒体信息。

搜索器的实现常常用分布式、并行计算技术，以提高信息发现和更新的速度。

商业搜索引擎的信息发现可以达到每天几百万网页。

2. 索引器(Indexer)

索引器的功能是理解搜索器所搜索的信息，从中抽取出索引项，用于表示文档以及生成文档库的索引表。

索引项有客观索引项和内容索引项两种:

客观项与文档的语意内容无关，如作者名、URL、更新时间、编码、长度、链接流行度(Link Popularity)等等;

内容索引项是用来反映文档内容的，如关键词及其权重、短语、单字等等。内容索引项
可以分为单索引项和多索引项(或称短语索引项)两种。

单索引项对于英文来讲是英语单词，比较容易提取，因为单词之间有天然的分隔符(空格);对于中文等连续书写的语言，必须进行词语的切分。

在搜索引擎中，一般要给单索引项赋与一个权值，以表示该索引项对文档的区分度，同时用来计算查询结果的相关度。使用的方法一般有统计法、信息论法和概率法。短语索引项的提取方法有统计法、概率法和语言学法。

索引表一般使用某种形式的倒排表(InversionL ist),即由索引项查找相应的文档。索引表也可能要记录索引项在文档中出现的位置，以便检索器计算索引项之间的相邻或接近关系(proximity).

索引器可以使用集中式索引算法或分布式索引算法。当数据量很大时，必须实现即时索引(Instant Indexing)，否则不能够跟上信息量急剧增加的速度。索引算法对索引器的性能(如大规模峰值查询时的响应速度)有很大的影响。一个搜索引擎的有效性在很大程度上取决于索引的质量.

3.检索器(Searcher)

检索器的功能是根据用户的查询在索引库中快速检出文档，进行文档与查询的相关度评价，对将要输出的结果进行排序，并实现某种用户相关性反馈机制。

检索器常用的信息检索模型有集合理论模型、代数模型、概率模型和混合模型四种。

4.用户接口(User Interface)

用户 接 口 的作用是输入用户查询、显示查询结果、提供用户相关性反馈机制。
主要的目的是方便用户使用搜索引擎，高效率、多方式地从搜索引擎中得到有效、
及时的信息。用户接口的设计和实现使用人机交互的理论和方法，以充分适应人类
的思维习惯。

用户输入接口可以分为简单接口和复杂接口两种。
简单接口只提供用户输入查询串的文本框:复杂接口可以让用户对查询进行限制，如逻辑运算(与、或、非)、相近关系(相邻、NEAR),域名范围(如.edu,.com),出现位置(如标题、内容)、信息时间、长度等等。

目前一些公司和机构正在考虑制定查询选项的标准.