计算机网络
搜索引擎系统讲解视频
课程介绍
众所周知，搜索引擎的主要工作过程包罗：抓取、存储、页面分析、索引、检索等几个主要过程。过去几周给大家介绍了抓取相关的简要过程。今天简要介绍一下索引系统，以亿为单位的网页库中查找特定的某些关键词犹如大海里面捞针，也许必然的时间内可以完成查找，但是用户等不起，从用户体验角度我们必需在毫秒级别给予用户满意的结果，不然用户只能流失。怎样才能达到这种要求呢?
如果能知道用户查找的关键词(query切词后)都出现在哪些页面中，那么用户检索的处理过程即可以想象为包含了query中切词后不同部分的页面集合求交的过程，而检索即变成了页面名称之间的比力、求交。这样，在毫秒内以亿为单位的检索成为了可能。这就是通常所说的倒排索引及求交检索的过程。如下为建立倒排索引的基本过程：
搜索引擎索引系统概述
(1)页面分析的过程实际上是将原始页面的不同部分进行识别并标识表记标帜，例如：title、keywords、content、link、anchor、评论、其他非重要区域等等;
(2)分词的过程实际上包罗了切词分词同义词转换同义词替换等等，以对某页面title分词为例，得到的将是这样的数据：term文本、termid、词类、词性等等;
(3)之前的准备工作完成后，接下来便是建立倒排索引，形成{termàdoc}，可以粗略的理解为如下，为什么是【term->doc】,而不是直接应用【doc->term】呢?
搜索引擎索引系统概述
上述便是索引系统中的倒排索引过程，是搜索引擎实现毫秒级检索非常重要的一个环节。
