（1）爬虫：从互联网爬取原始网页数据，存储于文档知识库服务器。

（2）文档知识库服务器：存储原始网页数据，通常是分布式Key-Value数据库，能根据URL/UID快速获取网页内容。

（3）索引：读取原始网页数据，解析网页，抽取有效字段，生成索引数据。索引数据的生成方式通常是增量的，分块/分片的，并会进行索引合并、优化和删除。生成的索引数据通常包括：字典数据、倒排表、正排表、文档属性等。生成的索引存储于索引服务器。

（4）索引服务器：存储索引数据，主要是倒排表，通常是分块、分片存储，并支持增量更新和删除。数据内容量非常大时，还根据类别、主题、时间、网页质量划分数据分区和分布，更好地服务在线查询。

（5）检索：读取倒排表索引，响应前端查询请求，返回相关文档列表数据。

（6）排序：对检索器返回的文档列表进行排序，基于文档和查询的相关性、文档的链接权重等属性。

（7）链接分析：收集各网页的链接数据和锚文本（AnchorText），以此计算各网页链接评分，最终会作为网页属性参与返回结果排序。

（8）网页去重：提取各网页的相关特征属性，计算相似网页组，提供离线索引和在线查询的去重服务。

（9）网页反废品：收集各网页和网站历史信息，提取废品网页特征，从而对在线索引中的网页进行判定，去除废品网页。

（10）查询分析：分析用户查询，生成结构化查询请求，指派到相应的类别、主题数据服务器进行查询。

（11）页面描述/摘要：为检索和排序完成的网页列表提供相应的描述和摘要。

（12）前端：接受用户请求，分发至相应服务器，返回查询结果。

标签： 搜索引擎工作原理、

本文地址： https://yihaiquanyi.com/article/43efe333174ff45f2bea.html

上一篇：搜索引擎体系中的caching模块起缓冲作用搜...
下一篇：搜索引擎收录标准排名算法都是根据什么来的...