百度、Google搜索引擎核心技术是怎么实现的？这个问题背后的技术非常吸引人！

搜索引擎

搜索引擎(search engine)是指根据一定的算法策略，运用特定的计算机程序，搜集互联网上的网页等信息，再对信息进行组织和处理后，并将处理后的信息显示给用户，是为用户提供检索服务的系统。

全文搜索引擎是名副其实的搜索引擎，国外代表有Google，国内则有著名的百度。

它们从互联网提取各个网站的信息（以网页文字为主），建立起数据库，并能检索与用户查询条件相匹配的记录，按一定的排列顺序返回结果。

根据搜索结果来源的不同，全文搜索引擎可分为两类：

1）一类拥有自己的检索程序（Indexer），俗称“蜘蛛”（Spider）程序或“机器人”（Robot）程序，能自建网页数据库，搜索结果直接从自身的数据库中调用，上面提到的Google和百度就属于此类；

2）另一类则是租用其他搜索引擎的数据库，并按自定的格式排列搜索结果，如Bing、Lycos搜索引擎。

用户输入关键词进行检索，搜索引擎从索引数据库中找到匹配该关键词的网页；

例如搜索“米扑科技”：https://www.baidu.com/s?wd=mimvp.com，https://www.baidu.com/s?wd=米扑科技

为了用户便于判断，除了网页标题和URL外，还会提供一段来自网页的摘要以及其他信息。

搜索引擎一般由搜索器、索引器、检索器、用户接口四个部分组成：

1）搜索器：其功能是在互联网中漫游，发现和搜集网页等信息；

2）索引器：其功能是理解搜索器所搜索到的信息，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；

3）检索器：其功能是根据用户的查询在索引库中快速检索文档，进行相关度评价，对将要输出的结果排序，并能按用户的查询需求合理反馈信息；

4）用户接口：其作用是接纳用户查询、显示查询结果、提供个性化查询项。

纯净搜索引擎（无自己的爬虫蜘蛛）

这类搜索引擎没有自己的信息采集系统，利用别人现有的索引数据库，主要关注检索的理念、技术和机制等。

垂直搜索引擎（如科学研究的文献库、论文库）

垂直搜索引擎是相对通用搜索引擎的信息量大、查询不准确、深度不够等提出来的新的搜索引擎服务模式，通过针对某一特定领域、某一特定人群或某一特定需求提供的有一定价值的信息和相关服务。其特点就是“专、精、深”，且具有行业色彩，相比较通用搜索引擎的海量信息无序化，垂直搜索引擎则显得更加专注、具体和深入。
 

搜索引擎的定义

搜索引擎是传统IR技术在Web环境中的应用。一般来说，搜索引擎是一种用于帮助用户在Internet上查询信息的搜索工具，它以一定的策略在Internet中搜索，发现信息，对信息进行理解，提取，组织和处理，并为用户提供检索服务，从而起到信息导航的目的。

搜索引擎的体系结构

典型的搜索引擎结构一般由以下三个模块组成：信息采集模块（Crawler），索引模块（Indexer），查询模块（Searcher）

1）Crawler：从web中采集网页数据，俗称爬虫蜘蛛。

2）Indexer：对Crawler采集数据进行分析生成索引。

3）Searcher：接受查询请求，通过一定的查询算法获取查询结果，返回给用户。

Crawler（爬虫蜘蛛）

Crawler负责页面信息的采集，工作实现基于以下思想：既然所有网页都可能链接到其他网站，那么从一个网站开始，跟踪所有网页上的所有链接，就有可能检索整个互联网。Crawler首先从待访问URL队列中获取URLs，根据URL从中抓取网页数据，然后对网页进行分析，从中获取所有的URL链接，并把它们放到待访问的URL队列中，同时将已访问URL移至已访问的URL队列中。不断重复上面的过程。

Crawler 关键问题

1）多线程抓取时的任务调度问题

搜索引擎会产生多个Crawler同时对网页进行抓取，这里需要一个好的分布式算法，使得既不重复抓取网页，又不漏掉重要的站点。

2）网页评估

在抓取网页时存在一定的取舍，一般只会抓20%左右的网页。评估算法中典型的油Google发明的PgaeRank。

3）更新策略

每经过一段时间，Crawler对以抓取的数据经行更新，保证索引网页是最新的。

4）压缩算法

网页抓取后，通过一定的压缩机制保存到本地，从而减少存储容量，同时也减少各服务器之间的网络通信开销

5）Indexer

搜索引擎在完成用户的检索请求时，并不是即时的检索Web数据，而是从预先采集的网页数据中获取。要实现对采集页面的快速访问，必须通过某种检索机制来完成。

页面数据可以用一系列关键字来表示，从检索来说，这些关键词描述了页面的内容，只要找到页面，便可以找到其中的关键词；反过来，通过关键词对页面创建索引，便可以根据关键字快速的找到相应的网页。其原理很简单，可以参见米扑博客：倒排索引

Indexer中存在的问题

1）索引存储：

一般来讲，数据量（收录量）和索引量的比例接近1:1，索引的存储一般采用分布式策略，检索的数据分布在不同的服务器上，Google存储索引的服务器大概有1000多台，网页数据库再多一两个数量级，即几十万台服务器集群。

2）索引更新：

页面数据更新时，索引数据必须相应的更新，更新策略一般采用增量索引方式。

3）索引压缩：

索引也存在数据压缩的问题。索引压缩是通过对具体索引格式的研究实现压缩。

4）网页相似性支持：

索引的结构还必须为网页相似性分析提供支持，也就是我们常见的多个待选结果。

5）多语言，多格式支持：

网页数据具有多种编码格式，通过Unicode、UTF-8，索引支持多种编码查询。同时索引还必须有对Word，Excel等文件格式进行分析的功能。

6）Searcher

Searcher是直接与用户进行交互的模块，在接口上有多种实现的方式，常见的主要是Web、App方式。

Searcher通过某种接口方式，接受用户查询，对查询进行分词（stemming）处理，获取查询关键字。通过Indexer获取与查询关键字匹配的网页数据，经过排序后返回给用户。

Searcher中的问题

1）检索结果的排序:对不同的用户采用不同的排序策略。

2）排序结果排重：排重可以提高结果数据的质量。

3）检索结果的相似性分析：主要用在类似网页功能中，需要在索引结构中提供支持。

4）检索的速度：主要依赖索引结构的设计。同时在体系结构上还有很多技术可以用来提升速度。如:Cache，负载均衡等。

搜索引擎的核心技术

1）分布式技术：

当搜索引擎处理数据达到一定规模时，为了提高系统的性能，必须采用分布式技术。

Crawler通过多个服务器互相合作，提高数据采集的速度。

Indexer在生成索引数据时通过并行算法，在不同机器上同时进行。

Searcher也可以在不同的机器上进行同时查询，提高速度。

2）中文分词：

分词就是将连续的字序列按照一定的规范重新组合成词序列的过程。

现有分词算法可以分为三大类：基于字符串比配的的分词方法、基于理解的分词方法、基于统计的分词方法。

3）网页排序：

现在搜索引擎中网页的 排序主要利用了页面间的链接关系，描述链接的文本以及文本自身内容，重要的链接分析算法有Hits和Pagerank，HillTop等。

4）海量数据存储：

搜索引擎的挑战之一就是处理数据的巨大，如何存储如此大的数据，数据的更新，快速的检索...

5）压缩技术：

压缩技术极大的减少了数据的存储大小，节约了传输带宽，一般的压缩比可达到八到十分之一，甚至更高压缩比

对于不同类型的数据，需要采用不同的压缩方法，主要的数据压缩主要有：网页数据的压缩和索引数据的压缩。

选择压缩技术主要从开放性，速度与压缩比等多方面进行综合考虑。

Google中选择了Alib(RFC1950)进行压缩，在压缩速度上Zlib超过Bzip，压缩比上Bzip好于Zlib。

参考推荐：

倒排索引

索引的优点与缺点

ApacheSolr：基于Lucene的可扩展集群搜索服务器

ApacheLucene与Lucene.Net——全文检索服务器

BTree, B-Tree, B+Tree, B*Tree 都是什么

数据库索引原理理解