|
|
|
我们遇（yù）到的最常见的问（wèn）题之一是“Google是如何判定哪个结果（guǒ）出现在（zài）搜索（suǒ）结果的（de）前茅（máo）？”，Matt Cutts给我们（men）简单地揭示了如何抓取、收录（lù）和给网页（yè）评级（jí）。
抓取和收（shōu）录
当你（nǐ）看到出现在Google的搜索结果的那个网页之（zhī）前，Google在后（hòu）台已经做了许多步骤。Google的第一步（bù）是抓（zhuā）取和收（shōu）录互联网上的数十亿（yì）的网（wǎng）页，这个工作时由Google的机器人Googlebot来完成（chéng）的（de），它浏览网络服务（wù）器抓取（qǔ）文件。 抓取的程序并不是漫无目的（de）地在互联网上瞎逛，它（tā）访问服务（wù）器的特定的网页，然后扫（sǎo）描网页上的（de）超文本链接，如果有新的文件也是这样抓取得（dé）；蜘蛛程序给每个得到的（de）网页一（yī）个号码，这个号码指向它抓取的网页。
蜘蛛（zhū）程序抓取了很多（duō）的网页，但这些网页还不是便于（yú）搜索的。如（rú）果没有一（yī）个索引，你要（yào）查询（xún）一（yī）个词，比（bǐ）如（rú）“国内战（zhàn）争（zhēng）”，Google的服务器每次（cì）都要读取每一个文件的所（suǒ）有内容。
因此，第二步（bù）就是建立索引（yǐn）。我们（men）不是去扫（sǎo）描（miáo）每一个文件的所有内容（róng），我们巧妙地进行数（shù）据（jù）的“转换”，列出（chū）每一个文件所包含（hán）的特定的词，例如，“国内”这个词可能出现在文件3，8，22，56，68和92当中，而（ér）“战争”这个词出（chū）现在文件2，8，15，22，68和77中（zhōng）。
建（jiàn）立（lì）好索引之后，我（wǒ）们（men）就可以开始对网页进行评级，决定网（wǎng）页的相关程度。假设有人在Google的搜索栏输入（rù）“国内战争”进（jìn）行查（chá）询，为了（le）提交搜索结果（guǒ）和对结果进（jìn）行评（píng）分（fèn），我们要做两件事：
1. 找到包含用户查询（xún）的词的网页
2. 给符合的网页按（àn）照相关（guān）程度（dù）进行评级
Google开发（fā）出一个有趣的技巧来（lái）加速第一步（bù）：Google不是把整个索引存储在一（yī）台功能强大的计算机上，而是用千（qiān）百个计算机（jī）来存储这些信息。因为任（rèn）务被（bèi）分解到许多（duō）的计算机，可以更快地（dì）找到所需的答案。 详细（xì）解（jiě）释一下，假设一本（běn）书的目录有30页，如果一（yī）个人要（yào）在目录（lù）中查寻资料，每次查询（xún）都要花（huā）几（jǐ）秒（miǎo）钟；如果（guǒ）用30个人（rén）每人查询一页目录，显然要比一个人查询的速度快很多。同（tóng）样（yàng）的，Google将数据分别存储在（zài）许多计算机上，这样搜（sōu）索的速度会大大加快。
我们是如（rú）何找到那（nà）些包含用（yòng）户搜索的词（cí）的网页呢？回到“国内战争”的例子，“国内（nèi）”这个词出现（xiàn）在文件3，8， 22， 56， 68 和92; “战争”出（chū）现（xiàn）在文件2， 8， 15， 22， 68和（hé）77，记下同时出现这（zhè）两个词的文件。
国内（nèi） 3 8 22 56 68 92
战争 2 8 15 22 68 77
国内 战争 8 22 68
这样我们可以清楚（chǔ）地发现“国内（nèi）”、“战争”这两个词同（tóng）时（shí）出现的在三个文件里 (8, 22, 和68)。 含有这几个（gè）字的列表叫做“位置列表”，搜索文（wén）件包含这两（liǎng）个字，这叫做交叉（chā）搜索位置列表。（较快的交（jiāo）叉搜索的方法是（shì）同时进行搜索，如（rú）果一个搜（sōu）索列表,22到68，那另一个（gè）就可（kě）以开始搜索（suǒ）其他的）
对结果进行评级
现在我（wǒ）们已经有了一些包含用户搜索的关键词（cí）的（de）网页（yè），我们要对它（tā）们的相关程度进行评级。Google用许多（duō）参数进行评级。这当中PR算（suàn）法是众（zhòng）所周知的。PageRank评估两个因素：有多少个（gè）网页链接到这（zhè）个网页，这些链接网页的网站的质量如何。通（tōng）过PageRank，五六个高质量的站点的（de）链接，比如www.cnn.com和www.nytimes.com比其他较差的（de）网站的链接要有价值的多。
但是除了PageRank，我们还用许多（duō）其它的参数来进（jìn）行（háng）评级。例（lì）如，如果一个文（wén）件包含“国内”和“战争”这两个词排在一起（qǐ），这个文件可能比一个讨论革命战争的（de）文件（jiàn）（在文件的某个地方使（shǐ）用“国内”）的（de）相关程度高（gāo）。还比如假设一个（gè）网页的标题是“国内战（zhàn）争（zhēng）”，比另一个标题为“19世（shì）纪（jì）美国服装”的网页相关度高得多。同（tóng）样的，如果“国内（nèi）战争”在（zài）网页中出现多次的网页比只出现一个（gè）的网页相关的程度也要（yào）高。假（jiǎ）设（shè）你是搜索引擎，选择一个词查询，比如：国内战争（zhēng）或（huò）回收，在Google上（shàng）查询，从结果中挑（tiāo）选三到四页打（dǎ）印（yìn）出来（lái）。从每（měi）一张打印的页（yè）面上找出你的搜索语（yǔ）句的每一（yī）个字然后（hòu）用（yòng）荧光（guāng）笔标出（chū）来，然后把这几页贴在墙上，退后几（jǐ）步眯着眼看，当你不知（zhī）道页面的内（nèi）容，仅仅能（néng）看到那些（xiē）有（yǒu）颜色的方块，你认为那一页是最相关的呢？是不是有着大（dà）的标（biāo）题和（hé）多次重（chóng）复出现（xiàn）的（de）颜（yán）色（sè）代表了较高的相关程度？你（nǐ）喜欢这（zhè）些（xiē）字出现在顶端还是底部？这些字出现的频率如何？这也是搜索引擎如（rú）何判断网页的（de）相关程度。
原则上，Google总是试（shì）图找（zhǎo）出可靠的和相（xiàng）关（guān）的网页。如果两个（gè）网页按照查（chá）询的语句（jù）大致有相同的信（xìn）息，Google通（tōng）常选择（zé）比较信得过的网站的（de）网页。当然，如果有一些因素表（biǎo）明这个网站的网页相关度更高，Google经（jīng）常也选择PageRank较低的（de）网站。
一旦Google完成了文件的列表（biǎo）和它们（men）的评（píng）分，就给（gěi）出得分（fèn）最高的网页。Google同（tóng）时（shí）从网页中摘录一小段包含查询的关键词的句子；给出网页的（de）链接。
对于（yú）这样的搜索工作，需要极大的数据（jù）运算（suàn）量，一般说来，对于某个搜索，要有超过（guò）500台的服（fú）务（wù）器协同工（gōng）作以（yǐ）求得最佳匹配的结果，当然，结果会（huì）在半秒内（nèi）返回用户。 |
|
