目前的主要搜索引擎的模式都是，用戶輸入一些關(guān)鍵字或者句子，無論是那種，搜索引擎都會首先對用戶的輸入進行分詞，這樣可以增加搜索結(jié)果的準確性，這是和普通數(shù)據(jù)庫搜索的不同點（普通的數(shù)據(jù)庫搜索，只是簡單的用 like %關(guān)鍵字%），然后搜索引擎去海量的索引庫去查找這些和用戶輸入相關(guān)的信息，顯示的結(jié)果會包含網(wǎng)頁的相關(guān)摘要。

中文搜索引擎相關(guān)的技術(shù)包含：網(wǎng)絡(luò)蜘蛛，中文分詞，索引庫，網(wǎng)頁摘要的提取，網(wǎng)頁相似度，信息的分類。

1。網(wǎng)絡(luò)蜘蛛
網(wǎng)絡(luò)蛛蛛是指對浩瀚網(wǎng)絡(luò)抓取信息的程序，他們往往是多線程，不分晝夜的抓取網(wǎng)絡(luò)信息，同時要防止對某個站點抓取過快，導(dǎo)致信息提供方服務(wù)器過載。

網(wǎng)絡(luò)蜘蛛的基本原理：先從一個起始頁面（建議從yahoo中文目錄或者dmoz中文目錄）開始抓取，獲取此頁面內(nèi)容，摘要，然后提取頁面所有連接，蜘蛛接著抓取這些連接，一直源源不斷的抓取。這些只是基本原理，實際應(yīng)用要復(fù)雜很多，你可以試著自己寫一個蜘蛛，我曾經(jīng)用PHP寫過（PHP不能多線程，缺陷。）

2。中文分詞
中文分詞一直是中文搜索引擎的關(guān)鍵點，中文不同英文，英文每個單詞是用空格分開，而中文一個句子往往是一些詞的連結(jié)，沒有分割符，人可以很容易的看懂句子的意思，但是計算機很難開懂。

目前我了解的中文分詞方法（據(jù)說有老外的不用詞典的中文分詞方法），幾乎都是有自己的中文詞典，分詞時去詞典匹配，達到分詞目的，分詞的好壞，和詞典關(guān)系很大。你可以看我上篇文章，是用PHP寫的中文分詞方法。

目前很多高校語言學的碩士論文都寫的這個

baidu用的自己開發(fā)分詞方法，google用的第3方的分詞方法。。

海量中文分詞挺不錯，不過是商業(yè)的。。

獵兔的中文分詞方法也不錯，不過是.so的，無法研究

3。索引庫
搜索引擎都不會用已經(jīng)成型的數(shù)據(jù)庫系統(tǒng)，他們是自己開發(fā)的類似數(shù)據(jù)庫功能的東西。
搜索引擎需要保存大量網(wǎng)頁信息，快照，關(guān)鍵字索引（建議應(yīng)該也保存網(wǎng)頁的截圖，我在研究中），所以數(shù)據(jù)量特別大。

4。網(wǎng)頁摘要的提取

網(wǎng)頁摘要是指對某個網(wǎng)頁信息的總結(jié)（初中語文課，老師經(jīng)常讓總結(jié)文章的中心思想，就這個意思，我最怕老師提問讓我總結(jié)，人總結(jié)都這么難，現(xiàn)在讓計算機總結(jié)，天啦），搜索引擎搜索結(jié)果里，往往會有網(wǎng)頁標題下面，會有些介紹，讓搜索者很容易的發(fā)現(xiàn)此文章是不是想要的信息。

5。網(wǎng)頁相似度

網(wǎng)上經(jīng)常有很多內(nèi)容一樣的網(wǎng)站，比如說同一條新聞，各大門戶網(wǎng)站都會發(fā)布，它們的新聞內(nèi)容都是一樣的。還有一些個人網(wǎng)站，尤其是偷別人網(wǎng)站資料的網(wǎng)站，和別人網(wǎng)站搞的一模一樣（我搞過，在此ps下自己），這樣的網(wǎng)站毫無意義，搜索引擎會自動區(qū)分，降低其權(quán)值（baidu最狠，直接封站，我嘗試過）。

目前我研究的計算網(wǎng)頁相似度的幾種方法如下：
1) 根據(jù)網(wǎng)頁摘要來比較，如果多個網(wǎng)頁摘要的md5值一樣，證明這些網(wǎng)頁有很高的相似性
2) 根據(jù)網(wǎng)頁出現(xiàn)關(guān)鍵詞，按照詞頻排序，可以取N個詞頻高的，如果md5值一樣，證明這些網(wǎng)頁有很高的相似性。

google baidu 的新聞，是對此技術(shù)的應(yīng)用。

目前很多高校的數(shù)據(jù)挖掘?qū)I(yè)的研究生論文都寫的這個

6。信息的自動分類

網(wǎng)絡(luò)的信息實在是太龐大了，如何對其進行分類，是搜索引擎面臨的難題。要讓計算機對數(shù)據(jù)自動分類，先要對計算機程序進行培訓(xùn)，目前我正在研究中

爬狗做的不錯。

以上是我個人對搜索引擎了解后的看法，均為柳志強原創(chuàng)，其中難免有認識不全面或者錯誤的，懇請各位同仁指正（別砸我就行）！