在網(wǎng)絡(luò)公司做過程序開發(fā)的朋友都知道，我們通常用的數(shù)據(jù)庫搜索技術(shù)就是把用戶輸入的詞匯，跟數(shù)據(jù)庫中的某個或多個字段里的內(nèi)容進行比較，同樣，搜索引擎的運行原理簡單來講也就是這樣:
用戶輸入一個詞匯，搜索引擎從他的數(shù)據(jù)庫中找到匹配的內(nèi)容，再以有序的排列展現(xiàn)給用戶，搜索引擎每天就是不厭其煩地不斷重復(fù)這些操作。看似一切很正常，我們用數(shù)據(jù)來分析問題——
全球網(wǎng)民按20億計算，全球所有網(wǎng)站的網(wǎng)頁先假設(shè)是50億個
按每人每天搜索1次(也就是1個關(guān)鍵詞，假設(shè)都是不重復(fù)的)
那么搜索引擎每天要從50億個網(wǎng)頁中搜索比對20億個關(guān)鍵詞。
呃。。。。這個聽起來很恐怖，你能想象嗎?想象這個數(shù)據(jù)如此龐大，但搜索引擎每次的正常搜索時間都是不到一秒。的確，在這個過程中，按照我們傳統(tǒng)的全文搜索方式，是不現(xiàn)實的。仔細看下下圖，并注意“索引庫查詢”這幾個字。
在解釋什么是索引庫和索引庫在搜索引擎中起到什么作用前，我們同樣舉個形象的例子加以參考下：
我們在讀書時，老師在講課過程中，經(jīng)常會說，請同學們翻到第幾頁，看下第幾段，想起來了嗎?快樂并無奈的校園生活是否歷歷在目了~_~，言歸正傳。在老師發(fā)出讓你翻到第幾頁看第幾段這個指令時，就是一種索引在運行了，這里的索引是第幾頁和第幾段，有了這兩個索引，即使你的書本厚達1000頁，也可以在短時間里定位到具體的那一段話。
而搜索引擎自己的索引庫的構(gòu)成元素就是很多個詞匯，漢字約有12W個，由這些漢字所組成的詞語將近10W個，再說說英文，英文26個字母，組成的詞匯暫且算作100W個吧，在講索引庫元素的排序方式之前，我們再進行這段數(shù)據(jù)的分析：
中文：50億÷10W=5W
英文：50億÷100W=5000
搜索引擎處理5W或5000個記錄，是非常容易的一件事了。
明白了索引庫的重要性，再剖析下索引庫的構(gòu)成形式：
在搜索引擎看來，再華麗的網(wǎng)站，也是一堆代碼堆砌而成的，拿下文的代碼來看：
經(jīng)過搜索引擎的分析后，去除HTML代碼，留下的是這些詞匯，
那么其中的這些詞匯就會進入到搜索引擎的索引庫當中，而這些進入索引庫的每個詞匯后面又有很多個網(wǎng)站，就好比新華字典的目錄索引頁一樣，筆畫數(shù)是10的，通過索引快速查到，筆畫數(shù)是20的，也可以通過索引快速查到。
搜索引擎就是通過建立這樣的索引庫，才能在用戶搜索某個關(guān)鍵詞時，快速做出返回頁面的查詢。(而至于排名的前后，我們不在本文中多說了)
再來簡單講下分詞，上面提到的多少多少個詞匯，這個就是分詞了，但這些是通過我們?nèi)搜叟袛嗟模阉饕媸侨绾芜M行分詞的呢?搜索引擎再厲害，也只是程序，谷歌的中文分詞技術(shù)是購買第三方公司得來的，而百度的分詞技術(shù)是自創(chuàng)的，我們可以理解為百度事先把幾W個詞錄進去，也可能是通過漢字的一定排列方式自由組合而成，這個不是我們關(guān)心和所能研究的，我們要了解的僅僅是分詞這個概念。
了解了分詞這個概念后，在我們做SEO時，也一定要通過搜索引擎的角度，讓自己從網(wǎng)頁的表面看到底層的收錄抓取原理。
相關(guān)閱讀
《如何通過規(guī)范URL來建立與搜索引擎的友好》
【尊重原創(chuàng)，分享觀點。來自芝麻開門網(wǎng)絡(luò)科技原創(chuàng)文章，轉(zhuǎn)載請標明文章來源 — 】
申請創(chuàng)業(yè)報道，分享創(chuàng)業(yè)好點子。點擊此處，共同探討創(chuàng)業(yè)新機遇！
