搜索引擎创建索引网页库的原理解析

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)

　　(盐城SEO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(盐城SEO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