搜索引擎的正向索引

这是优化小仙女和你一起走过的第47天

2017.04.27 长沙 晴

有时候，连自己都在想，不得不佩服计算机的诞生。虽然是“机器人”，但是这个机器人却记录了N个数据，想要什么随时调出来就OK的那种。而我们经常说的“好记性不如烂笔头”，有时候即使记录了，都会遗忘。

所以，百度，谷歌到底是靠着什么强大的系统，去记录了这上亿的数据呢？程序化设计是必须的。而其内部操作的一个重要因素就是搜索引擎的正向索引。

正向索引，也可以简称为索引。就像我们写本科或者硕士论文一样，有个目录，便于检索，起到搜索的功能。可是我们的目录，基本是一眼看到底的。而对于庞大的各大网站的数据抓取，又会有什么样的排列组合呢？

第一：经过文字提取，分词，消噪，去重后，搜索引擎得到的就是独特的、能反映页面主要内容的、以词为单位的字符串。经过第一步骤后，搜索引擎就开始抓取关键词（这个关键词，就是前文提及过的需要我们认真思考的关键词）。

第二：云数据的强大，在于其整合排列。像学数学一样，组合排列是很重要的。所以，当蜘蛛抓取到了相关关键词后，就开始按照分词程序划分，将页面转换成一个关键词组成的集合，同时记录相关关键词在页面出现的频率，格式等等相关信息。

第三：进行上述的相关步骤后，每一个网站页面都会被相应的记录为一串关键词集合（包括词频，格式，位置等等）。

最后，进行表格的整合，让其一目了然。

简化的正向索引词表结构

依次排列后，每个文件都对应一个文件ID，文件内容被表示为一串关键词的集合。实际上在搜索引擎索引库中，关键词也已经转换为关键词ID。这样的数据结构就称为正向索引。（今天的我，是看到自己踩在四月的尾巴上，发现五月在向我招手的SEOer,Sara）