第四十六章 搜索引擎的研发（2/3）

目前搜索引擎项目最大的困难在于，没有可供参考的对象。

虽然可以参考一些国外的资料和论文，但因为涉及到一些核心技术，是无法通过网络查找到的，都需要自行开发。

隋波点头表示同意。

这个时候google还不存在呢，要到9月份的时候，布林和佩奇才会在加州一个车库里开始创业。

百度更是没影的事儿，老李还在搜信里混呢。

现阶段，无论是国外的lycos、altavista、infoseek（搜信），雅虎搜索引擎；还是国内搜狐推出的所谓全中文搜索引擎，都还是以人工分类目录为主的网站检索服务。

说是搜索引擎，其实更像是目录导航网站……

尽管其中一些搜索引擎已经有了网页关键词检索、用户点击量排序等一些创新，但本质上，还是需要大量的人工编辑的目录式搜索引擎（directorysearchengine）。

而隋波希望王川团队开发的，则是全新的，通过技术程序，自动在互联网上通过超链接网页进行全文检索的机器人搜索引擎（robotsearchengine）。

这样的话，就需要从头做起，开发一整套完整的技术体系。

其中包括网络爬虫（webcrawler）服务、索引服务、缓存服务、日志服务等几大模块，各模块之间互相影响，构成了整个搜索引擎体系。

从开发量上，技术难度是远远大于目录式检索技术的。

首先说网络爬虫，也称网络蜘蛛（webspider），这项技术是基于web的自动化浏览程序，通过网页链接（url），爬虫不断的通过互联网中获得新的网页数据，下载页面数据形成后台数据库。

可以说，网络爬虫抓取数据是搜索引擎工作流程的第一步。

爬虫的体系架构直接关系到搜索引擎每天数据的采集量，而抓取策略则关系到搜索结果的数据质量，数据的更新策略则关系到系统资源的利用率。

这只是第一步，采集了大量数据信息之后，还需要通过自然语言处理（nlp），将文本信息分解为结构化数据和价值性数据。

这里面就又存在一个问题，目前国外的搜索引擎都是英文分词，而中文比较特殊，最小单位是字，但具有语义的最小单位是词。

所以，在中文分词这一部分，就需要技术团队单独进行开发。

通过建立词库、采用条件随机概率分布模型、词性标注、语义相似度、已存句法分析、情感倾向分析等，通过各种模型判断，让程序理解抓取到的关键词中文的语义，才能提高搜索的准确性和查全率。

这还只是其中比较小的开发困难。

比如，搜索引擎的核心就是通过海量数据抓取后的快速检索，而抓取的数据越多，当庞大的数据存储在数据库里，就需要构建快速存取数据的分布式存储架构。

再比如，为了让用户在最短的时间内获得想要的搜索结果，就需要后台系统不断的执行数据抓取和建立索引等操作。