第一步：爬行         搜索引擎是通過一種特定規(guī)律的軟件跟蹤網(wǎng)頁的鏈接，從一個鏈接爬到另外一個鏈接，像蜘蛛在蜘蛛網(wǎng)上爬行一樣，所以被稱為“蜘蛛”也被稱為“機器人”。搜索引擎蜘蛛的爬行是被輸入了一定的規(guī)則的，它需要遵從一些命令或文件的內(nèi)容 。         第二步：抓取存儲         搜索引擎是通過蜘蛛跟蹤鏈接爬行到網(wǎng)頁，并將爬行的數(shù)據(jù)存入原始頁面數(shù)據(jù)庫。其中的頁面數(shù)據(jù)與用戶瀏覽器得到的HTML是完全一樣的。搜索引擎蜘蛛在抓取頁面時，也做一定的重復內(nèi)容檢測，一旦遇到權(quán)重很低的網(wǎng)站上有大量抄襲、采 集或者復制的內(nèi)容，很可能就不再爬行。         第三步：預處理         搜索引擎將蜘蛛抓取回來的頁面，進行各種步驟的預處理。         ①　提取文字         ②　中文分詞         ③　去停止詞         ④　消除噪音（搜索引擎需要識別并消除這些噪聲，比如版權(quán)聲明文字、導航條、廣告等……         ⑤　正向索引         ⑥　倒排索引         ⑦　鏈接關(guān)系計算         ⑧　特殊文件處理         除了HTML 文件外，搜索引擎通常還能抓取和索引以文字為基礎的多種文件類型，如 PDF、Word、WPS、XLS、PPT、TXT 文件等。我們在搜索結(jié)果中也經(jīng)常會看到這些文件類型。 但搜索引擎還不能處理圖片、視頻、Flash 這類非文字內(nèi)容，也不 能執(zhí)行腳本和程序。         第四步：排名         用戶在搜索框輸入網(wǎng)站托管后，排名程序調(diào)用索引庫數(shù)據(jù)，計算排名顯示給用戶，排名過程與用戶直接互動的。但是，由 于搜索引擎的數(shù)據(jù)量龐大，雖然能達到每日都有小的更新，但是一般情況搜索引擎的排名規(guī)則都是根據(jù)日、周、月階段性 不同幅度的更新。    

標簽：林芝 鹽城 九江 烏魯木齊 東營