探索百度搜索引擎算法技巧分析系列之一

    如何設(shè)計一個高效的搜索引擎？我們可以以百度所采取的技術(shù)手段來探討如何設(shè)計一個實用的搜索引擎。搜索引擎涉及到許多技術(shù)點，比如查詢處理，排序算法，頁面抓取算法，CACHE機制，ANTI-SPAM等等。這些技術(shù)細(xì)節(jié)，作為商業(yè)公司的搜索引擎服務(wù)提供商比如百度，GOOGLE等是不會公之于眾的。我們可以將現(xiàn)有的搜索引擎看作一個黑盒，通過向黑盒提交輸入，判斷黑盒返回的輸出大致判斷黑盒里面不為人知的技術(shù)細(xì)節(jié)。

    查詢處理與分詞是一個中文搜索引擎必不可少的工作，而百度作為一個典型的中文搜索引擎一直強調(diào)其“中文處理”方面具有其它搜索引擎所不具有的關(guān)鍵技術(shù)和優(yōu)勢。那么我們就來看看百度到底采用了哪些所謂的核心技術(shù)。我們分兩個部分來講述：查詢處理和中文分詞。

    先來談系列一：查詢處理

    用戶向搜索引擎提交查詢，搜索引擎一般在接受到用戶查詢后要做一些處理，然后在索引數(shù)據(jù)庫里面提取相關(guān)的信息。那么百度在接受到用戶查詢后做了些什么工作呢？

    1、假設(shè)用戶提交了不只一個查詢串，比如“信息檢索理論工具”。
    那么搜索引擎首先做的是根據(jù)分隔符比如空格，標(biāo)點符號，將查詢串分割成若干子查詢串，比如上面的查詢就會被解析為：<信息檢索，理論，工具>三個子字符串；這個道理簡單，我們接著往下看。

    2、假設(shè)提交的查詢有重復(fù)的內(nèi)容，搜索引擎怎么處理呢？比如查詢“理論 工具理論”，百度是將重復(fù)的字符串當(dāng)作只出現(xiàn)過一次，也就是處理成等價的“理論工具”，而GOOGLE顯然是沒有進(jìn)行歸并，而是將重復(fù)查詢子串的權(quán)重增大進(jìn)行處理。那么是如何得出這個結(jié)論的呢？我們可以將“理論工具”提交給百度，再返回文檔，大致看看第一頁的返回內(nèi)容。接著繼續(xù)，我們提交查詢“理論 工具理論”，在看看返回結(jié)果，仍然是那么多返回文檔，當(dāng)然這個不能說明太多問題，那看看第一頁返回結(jié)果的排序，看出來了嗎？順序完全沒有變化，而 GOOGLE 則排序有些變動，這說明百度是將重復(fù)的查詢歸并成一個處理的，而且字符串之間的先后出現(xiàn)順序基本不予考慮（GOOGLE是考慮了這個順序關(guān)系的）。

    3、假設(shè)提交的中文查詢包含英文單詞，搜索引擎是怎么處理的？比如查詢”電影BT下載”，百度的方法是將中文字符串中的英文當(dāng)作一個整體保留，并以此為斷點將中文切分開，這樣上述的查詢就切為<電影，BT，下載>，不論中間的英文是否一個字典里能查到的單詞也好，還是隨機的字符也好，都會當(dāng)作一個整體來對待。至于為什么，你用查詢“電影dfdfdf下載”看看結(jié)果就知道了。當(dāng)然如果查詢中包含數(shù)字，也是如此辦理。

    到目前為止，看似都很簡單，也很清楚，百度怎么處理用戶查詢的呢？歸納如下：首先根據(jù)分割符號將查詢分開，然后看看是否有重復(fù)的字符串，如果有，就拋棄多余的，只保留一個，接著判斷是否有英文或者數(shù)字，如果有的話，把英文或者數(shù)字當(dāng)作一個整體保留并把前后的中文切開。

    暫時先談到這里，接下來我們會談及中文分詞技術(shù)，請繼續(xù)關(guān)注我們第一頁！

服務(wù)器租用/服務(wù)器托管中國五強！虛擬主機域名注冊頂級提供商！15年品質(zhì)保障！--億恩科技[ENKJ.COM]