首页
站长论坛BBS
救助
投稿
discuz视频教程
discuz技术支持
版块
登录
快速注册

搜索引擎是如何创建索引网页库的

owenliwei 2015-6-12 [交流] 来自PC 复制链接
0636
discuz使用视频教程
31idc

马上注册,一起探讨正确快速的建站方法

您需要 登录 才可以下载或查看,没有帐号?快速注册

x

     搜索引擎网页采集完成之后,就是会对数据进行预处理,而这一章节:先讲数据预处理中的的搜索引擎索引网页库的的形成。

  搜索引擎数据预处理,首先讲解数据预处理子系统的系统结构,继而介绍建立索引网页库的算法,接着介绍中文切词技术,然后讲解网页的分析,最后讲如何生成用于查询的网页倒排索引文件。

  1、搜索引擎数据预处理系统结构

  在经过搜索引擎Web数据采集之后,采集到的网页都是按照搜索引擎的格式进行存储,拥有良好的容错性,即使出现损坏的情况,也不会是的整个数据库中的信息都难以存取。但是这种存储格式是无法按照网页URL,来进行存取与其对应的网页的,所以,我们预处理第一步:

  为原始网页建立索引,即索引网页库(1)。建立索引网页库之后,就可以提供网页快照功能(2),通过对索引网页库中内容进行网页切词处理,将每一篇网页转化为一组关键词的集合(3),最后,将网页到所索引词的映射转化为索引词到网页的映射,形成倒排表(倒排表和索引词表),同时将网页中包含的不重复的索引词汇聚成索引词表(4)

  (0061澳洲制造www.0061.com.au疑问:索引词到网页的不应该是多对多的吗?为什么不重复的索引词要形成索引词表呢?倒排表已经满足需要了)

  2、索引网页库的建立:

  内容较为复杂,作为一个seo,我们只需要了解原理部分就可以了,其中编程部分,我们暂时不讲解(0061澳洲制造也不会….)

  2-1)在原始网页库,是有若干条记录组成,每一条记录包括了:头部信息(head),数据(Data)。每一条数据(DATA)有网页头文件(header)和网页内容(content)组成。

  2-2)索引网页库的算法通过MD5算法,将网页内容和URL摘要信息,分别记录为16个字节的唯一标识,同时为了方便查看,将这16个字节转化为23字节的ASCLL码。

  2-3)网页索引文件,最终通过 ISAM(索引顺序访问模式)来进行存储,保证数据的紧凑性和检索能力。同时在网页索引文件存储之后,还会存在URL索引文件,同时通过文档编号,将URL摘要信息和网页摘要信息联系起来。实现网页快照功能

  (0061澳洲制造疑问:在数据预处理的索引网页库中,涉及到摘要信息的产生算法讲解,在前面,我们知道摘要信息,有动态和静态两种,那么这里的如果是动态摘要信息,那么这里如何产生网页摘要摘要信息呢?)

  (0061澳洲制造解答:在这里,所说的摘要信息并不一定是,显示给用户的,和description中的信息一样,可能是记录中网页content的所有内容缩写,知识叫法上的不同而已)
您需要登录后才可以回帖 登录 | 快速注册

本版积分规则

快速回复 返回顶部 返回列表