深度解析搜索引擎预处理工作原理

  

通过上边编者对搜索引擎预处理概念的一个简单的介绍，想必各位读者有一定的了解，那么在众多预处理的流程中具体究竟是怎样的一个工作流程呢？下面就让我们一起看一下搜索引擎在预处理中的各个工作流程！

1.关键词的提取：搜索引擎能够完全识别的主要还是以文字内容为主的网络资源。搜索引擎蜘蛛在爬取一个页面的同时也把大量的HTML代码抓取下来，如keywords,description，title，H， css, div标签等，而它的主要工作还是将HTML标签、程序等处理，然后提取用于排名计算的文字信息内容。

2.删除重复无用词：同一个词在一个网页中出现很多次，如“得”、“我”、“的”、“你”、“地”、“啊”、.“呀”、“却”、“再”、“从而”等这类的无用助词，出现的频率虽然很高，但是一旦反复出现就没太大价值了，一般这类词就归结为停用词。这类词也需要去除掉。

3.中文分词技术：分词是中文搜索引擎独有的技术支持。中文信息和英文信息的差别在于:英文单词与单词之间用的是空格分隔的，这对中文就行不通了，搜索引擎必须将整个句子切割成小单元词，如“我是中国人”拆分出来的形态是“我”、“是”、“中国”、“人”。分词技术的效率直接影响到整个系统的效率。

    分词的方法基本上有两种:基于字符串匹配的分词方法和基于统计的分词方法。

    1)基于字符串匹配的分词方法

    按匹配方向的不同，可分为正向匹配、逆向匹配和最少切词。可将这三种方法混合起来使用，即正向最大匹配、逆向最大匹配、正向最小匹配、逆向最小匹配。

    正向最大匹配:假设字典中最长的词语字数为m，先根据汉语标点符号及特征词把汉语句子切分为短语，然后去取短语的前m个字，在字库里面查找是否存在这个词语，如果存在，短语就去掉这个词;如果不存在就去掉这m个字的最后一个字，接着检查剩下的词是否是单字，若是则输出此字并将此字从短语中去掉，若不是则继续判断字库中是否存在这个词，如此反复循环，直到输出一个词，此后继续取剩余短语的前m个字反复循环。这样就可以将一个短语分成词语的组合了。

    以“我是一个好人”为例，假设字典中最长词语字数为3，正向最大匹配顺序为:

    (1)取出短语“我是中”，检查“我是中”是否在字典中存在或是一个单字，处理方式是去掉最后面的“中”字;

    (2)检查短语“我是”是否在字典中存在或是一个单字，处理方式是去掉“是”字;

    (3)检查“我”字是否在字典中存在或是一个单字，“我”是一个单字，将“我”字输出;

    (4)继续取出短语“是中国”，检查“是中国”是否在字典中存在或是一个单字，处理方式是去掉最后面的“国个”字;

    (5)检查短语“是中”是否在字典中存在或是一个单字，处理方式是去掉“中”字;

    (6)检查“是”字是否在字典中存在或是一个单字，“是”是一个单字，将“是”字输出;

    (7)取出短语“中国人”，检查“中国人”是否在字典中存在或是一个单字，处理方式是去掉最后面的“好”字;

    (8)检查短语“中国”，发现是字典中的一个词，直接输出;

    (9)检查短语“国人”，发现是字典中的一个词，直接输出;

    (10)最后输出结果为:我、是、中国、人。

    逆向最大匹配:以句子结尾处进行分词的方法。逆向最大匹配技术最大的一个作用是用来消歧。如“富营销线下聚会在下城子镇举行”按照正向最大匹配结果为:富/营销/线/下/聚会/在/下/城子镇/举行，很显然这当中差生了歧义。下城子镇是一个地名，没有被正确地切分。采用逆向最大匹配的技术可以修正这个错误。例如设定一个分词节点大小为7，那么“在下城子镇举行”中很显然“举行”被分出来了，最后剩下“聚会在下城子镇”，这样一来歧义就被消除了。

    正向最小匹配/逆向最小匹配:一般很少使用到，实际使用中逆向匹配的精准度要高于正向匹配度。

    2)基于统计分词方法

    直接调用分词词典中的若干词进行匹配，同时也使用统计技术来识别一些新的词语，将所有的统计结果匹配起来发挥切词的最高效率。

    分词词典是搜索引擎判断词语的依据，基本上收录了汉语词典当中所有的词语。如我们在搜索引擎中输入“我要减肥了”，“减肥”两字就会被判定为一个词语。现在网络上经常会出现一些新造的网络流行词语如“神马”、“犀利哥”等，这样的词也都会慢慢地被收录。分词词典只有不断更新才能满足我们日常搜索判断的需求。

4.消除噪声：网页上有各种形形色色的广告文字、广告图片、登录框、版权信息等，为了某些目的不得不放上去，这些对搜索引擎来说不是有用的东西，可以直接去掉。

5.分析网页建立倒排文件：正向索引:经过前面几步的工作之后就开始提取关键词了，把页面转换为一个关键词组合，同时记录每一个关键词在页面上的出现频率、出现次数、格式、位置，这样每一个页面都可以记录为一串关键词组合，其中每个关键词的词频、格式、位置等权重信息也都记录在案，如图1-10所示。

倒排索引:正向索引还不能直接用于排名。假如用户搜索关键词3，如果只用正向索引，排名程序需要扫描所有的索引中的文件，找出包含关键词3的文件，再进行相关计算。这样一来计算无法实时返回排名结果。所以搜索引擎会将正向索引数据库重新构造为倒排索引，倒排索引以关键词为索引，如图1-11所示。

6.链接关系计算：链接关系计算是预处理中重要的一步。主流搜索引擎排名因素都包含网页之间的链接流信息。事先必须计算出页面上有哪些链接指向哪些其他页面，每个页面有哪些导入链接，链接使用了什么锚文本等种种的链接计算。Google PR是这种链接关系计算的重要代表之一。

7.特殊文件处理：可以抓取和索引以文字为基础的多种文件类型。对flash、视频、PPT, XLS,图片等非文字内容不能执行脚本和程序。搜索引擎目前还无法获取flash文件和图片中的文字信息。图片一般推荐使用ALT标签图片文字信息。

文章来源于：

http://www.seozf.com/seojc/seorm/305.html